期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到3篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于大数据和人工智能的储能系统故障预测与诊断方法研究 被引量：10
1
作者 李根 刘珊珊 《储能科学与技术》 CAS CSCD 北大核心 2024年第10期3653-3655,共3页
随着储能式电网技术和新能源电动汽车技术的快速发展,全球储能系统需求日益增大。然而应用环境的复杂化和电池组成的大型化增大了储能系统发生故障的概率。本文从大数据技术和人工智能技术两种视角上分别阐述了其在储能系统故障预测和... 随着储能式电网技术和新能源电动汽车技术的快速发展,全球储能系统需求日益增大。然而应用环境的复杂化和电池组成的大型化增大了储能系统发生故障的概率。本文从大数据技术和人工智能技术两种视角上分别阐述了其在储能系统故障预测和诊断中的研究。大数据技术可以对大量能源数据进行分析,从而可以提高储能系统的生产和利用效率,减少能源的浪费和损失。人工智能技术可以挖掘大数据背后隐藏的有价值的信息,对能源数据进行训练,并对储能系统进行预测和诊断分析。而将大数据技术和人工智能技术进行融合,可以对大量的能源数据进行处理和分析,从而提高储能系统的效率,并对储能系统是否发生故障进行预测和诊断,促进储能系统的智能监控和管理。 展开更多
关键词 储能系统 故障预测和诊断 大数据技术 人工智能
在线阅读 下载PDF
MSViT:融合多尺度特征的轻量化图像分类混合模型
2
作者 覃晓 彭磊 +6 位作者 廖惠仙 元昌安 赵剑波 邓超 钱泉梅 卢虹妃 龚远旭 《广西科学》 北大核心 2024年第5期912-924,共13页
针对现有Vision Transformer (ViT)模型在局部特征捕捉和多尺度特征融合方面的局限性,本文提出一种新型的融合多尺度特征的轻量化图像分类混合模型(Multi-Scale Vision Transformer, MSViT)。首先,在编码器中设计捕获通道特征的多尺度... 针对现有Vision Transformer (ViT)模型在局部特征捕捉和多尺度特征融合方面的局限性,本文提出一种新型的融合多尺度特征的轻量化图像分类混合模型(Multi-Scale Vision Transformer, MSViT)。首先,在编码器中设计捕获通道特征的多尺度前馈神经网络(Multi-Scale Feed Forward Network, MSFFN)模块,该模块能有效提取空间和多尺度通道特征。其次,设计一个新的级联特征融合解码器(Cascade Feature Fusion Decoder, CFFD),通过整合特征金字塔网络(Feature Pyramid Network, FPN)和多阶段特征融合解码器,显著提升模型对不同尺度特征的交互和融合能力。最后,模型引入多阶损失函数,以全面优化不同尺度特征在图像分类任务中的表现。为了验证MSViT的有效性,在4个实验数据集[ImageNet-1k的1个子集(Small_ImageNet)、Cifar 100、糖尿病视网膜病变数据集(APTOS 2019)、蘑菇数据集(Mushroom 66)]上进行大量的实验。其中在Small_ImageNet数据集上的实验结果显示,MSViT实现了87.58%的Top-1准确率,较EdgeViT-XXS提升了2.27%。实验结果证明了MSViT在图像分类任务中的有效性。 展开更多
关键词 图像分类 多尺度特征融合 多阶损失函数 特征金字塔网络(FPN) TRANSFORMER
在线阅读 下载PDF
基于多尺度特征提取的密集型小目标检测网络
3
作者 元昌安 王文姬 +10 位作者 黄豪杰 覃正优 张金勇 廖惠仙 覃晓 李小森 李永玉 符云琴 谭思婧 钱泉梅 吴琨生 《广西科学》 北大核心 2024年第5期939-953,共15页
针对现有的无锚框目标检测算法难以在密集场景下有效提取多尺度目标特征的问题,本研究提出基于多尺度特征提取的密集型小目标检测网络(Intensive small target detection network based on Multi-Scale feature Extraction, IMSE)。本... 针对现有的无锚框目标检测算法难以在密集场景下有效提取多尺度目标特征的问题,本研究提出基于多尺度特征提取的密集型小目标检测网络(Intensive small target detection network based on Multi-Scale feature Extraction, IMSE)。本研究首先提出多尺度特征增强(Multi-scale Feature Enhancement, MFE)模块,其包括窗口注意力(Window Attention, WA)模块和多尺度信息融合(Multi-scale Information Fusion, MIF)模块,通过建立全局级别的上下文联系从而增强IMSE在密集场景下的特征表达,进而能够更有效地提取检测目标的多尺度特征;其次提出可变形卷积特征金字塔网络(Deformable Convolutional Feature Pyramid Networks, DCFPN)结构,引入空洞卷积进行特征增强,从而能够有效提高IMSE检测形状不规则、分布无规律物体的能力;最后将融合后的多尺度特征分别输入检测头进行分类与边界框的回归任务。IMSE在公共数据集MS COCO、CARPK与基于实际生产场景构建的WOOD数据集上进行验证,实验结果表明,IMSE在3个数据集上的平均精度(Average Precision, AP)分别达到了49.4%、75.8%和55.0%,分别比原始FCOS方法高出1.8%、1.4%和2.1%,验证了所提出模型的有效性。 展开更多
关键词 目标检测 自注意力机制 特征金字塔 空洞卷积 可变形卷积
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部