针对输电线路目标识别帧率较低的问题,提出一种改进的YOLO(you only look once,YOLO)v3-tiny网络模型。通过设计基于深度卷积可分离的新型网络架构,并引入正负样本置信度以优化损失函数,显著提升了所提模型的检测速度;采用像素自适应和...针对输电线路目标识别帧率较低的问题,提出一种改进的YOLO(you only look once,YOLO)v3-tiny网络模型。通过设计基于深度卷积可分离的新型网络架构,并引入正负样本置信度以优化损失函数,显著提升了所提模型的检测速度;采用像素自适应和通道自适应技术进行图像特征融合,对激活函数通过寄存器移位操作来加速运行,实现了网络模型参数与检测精度之间的平衡。提出一种硬件移位逼近浮点数的移位方法,简化了硬件运算,并基于平均准确率提出硬件移位准则,最终确定了适用于存内计算的卷积神经网络加速器方案。该方法在降低功耗38.9%和减少逻辑资源消耗83.6%的同时,平均准确率仅下降0.1%;在电力数据集上,实现了70.4%的平均识别准确率。该文的创新之处在于对网络架构和硬件加速方案进行优化,显著提高了目标识别的效率。展开更多
文摘准确预测台区的电力负荷,能够促使电力企业合理安排调度计划,保障台区电力安全和经济稳定运行。为了充分挖掘电力负荷数据的特征,提高预测的精度,提出一种基于自适应辛几何模态分解(adaptive symplectic geometry mode decomposition,ASGMD)、多元线性回归(multiple linear regression,MLR)和卷积长短时记忆(convolutional long short-term memory,CLSTM)网络的电力负荷预测方法。首先,应用ASGMD将台区负荷数据分解为弱相关和强相关两种分量;然后,利用MLR和CLSTM分别对上述两种分量分别进行预测;最后,组合各模型结果,得到最终负荷预测值。实例分析结果表明,所提模型较其他模型具有更高的预测准确度。
文摘针对输电线路目标识别帧率较低的问题,提出一种改进的YOLO(you only look once,YOLO)v3-tiny网络模型。通过设计基于深度卷积可分离的新型网络架构,并引入正负样本置信度以优化损失函数,显著提升了所提模型的检测速度;采用像素自适应和通道自适应技术进行图像特征融合,对激活函数通过寄存器移位操作来加速运行,实现了网络模型参数与检测精度之间的平衡。提出一种硬件移位逼近浮点数的移位方法,简化了硬件运算,并基于平均准确率提出硬件移位准则,最终确定了适用于存内计算的卷积神经网络加速器方案。该方法在降低功耗38.9%和减少逻辑资源消耗83.6%的同时,平均准确率仅下降0.1%;在电力数据集上,实现了70.4%的平均识别准确率。该文的创新之处在于对网络架构和硬件加速方案进行优化,显著提高了目标识别的效率。
