生成模型的方法、装置、可读存储介质及电子设备

    公开(公告)号:CN111898484A

    公开(公告)日:2020-11-06

    申请号:CN202010675753.8

    申请日:2020-07-14

    Abstract: 本公开涉及一种生成模型的方法、装置、可读存储介质及电子设备。方法包括:获取初始模型的至少一个目标初始网络层各自的初始参数矩阵和压缩比例;针对每一目标初始网络层,根据目标初始网络层的初始参数矩阵和压缩比例,对目标初始网络层进行压缩,以得到样本模型;获取样本数据集;根据样本数据集,对样本模型进行训练,以得到应用在样本数据集所属场景下的目标模型。如此,可以利用取值范围为大于0小于1的压缩比例对目标初始网络层进行压缩,使得压缩后的目标样本网络层中的参数数量小于初始网络层中的参数数量,进而减少了由目标样本网络层构成的样本模型的参数数量,使得目标模型的体积较小,有效地改善了目标模型的性能。

    基于虚拟磁通实现幅频联合控制的暂态限流方法及系统

    公开(公告)号:CN114221358B

    公开(公告)日:2023-09-01

    申请号:CN202111552937.6

    申请日:2021-12-17

    Abstract: 本发明公开了一种基于虚拟磁通实现幅频联合控制的暂态限流方法及系统,属于电力系统领域。方法包括:S1、计算得到新能源设备并网侧的端电压虚拟磁通T,其中,T=Vt/ωt,Vt和ωt分别为所述端电压的幅值和频率;S2、设计内电势虚拟磁通T',其中,T'=E/ω,E和ω分别为所述内电势的幅值和频率;S3、基于所述内电势虚拟磁通E/ω和所述端电压虚拟磁通Vt/ωt,以给定的所述新能源设备电网故障时滤波电感上所限制的总电流大小Ig为约束关系,得到所述并网侧端处的有功电流指令Igd和无功电流指令Igq,实现暂态限流过程中有功电流和无功电流的协调分配。本发明通过引入虚拟磁通表征电压幅值与频率的联合变化,实现了无功电流与有功电流的协调分配,最终实现暂态限流下对电网电压频率与幅值联合支撑。

    一种抑制直驱风机暂态过电压的附加控制方法及系统

    公开(公告)号:CN112523943B

    公开(公告)日:2021-11-02

    申请号:CN202011454004.9

    申请日:2020-12-10

    Abstract: 本发明公开了一种抑制直驱风机暂态过电压的附加控制方法及系统,属于电力系统电压安全控制领域,包括:在直驱风机端电压上升时,根据端电压的变化指标生成电压校正信号,并将电压校正信号作为前馈控制信号附加到直驱风机网侧变换器电流控制环节中PI控制器的输出端,校正PI控制器输出的直驱风机等效内电势的d、q轴分量,以减小等效电源输出电压,从而抑制直驱风机的暂态过电压。本发明能够有效抑制直驱风机的暂态过电压,保证电力系统的安全运行,并且仅响应于端电压升高的情况,而在端电压不变或下降时不动作,能够在保证抑制暂态过电压的情况下,不影响直驱风机的正常控制。

    一种训练样本的生成方法及生成装置

    公开(公告)号:CN113011424A

    公开(公告)日:2021-06-22

    申请号:CN202110230635.0

    申请日:2021-03-02

    Abstract: 本说明书公开了一种训练样本的生成方法及生成装置,获取待标注图像以及待标注图像对应的文本标注信息,并将待标注图像输入到预设的识别模型中,得到针对待标注图像中包含的文本行的整体识别结果,作为第一识别结果,以及针对待标注图像中包含的至少部分单个文字的单字识别结果,作为第二识别结果。而后,根据第一识别结果以及第二识别结果,确定针对待标注图像除文本标注信息外的其他标注信息,作为补充标注信息,根据补充标注信息,对文本标注信息进行补充,得到补充后标注信息,并通过补充后标注信息生成待标注图像对应的训练样本,以通过训练样本对识别模型进行训练,从而有效率地产生训练样本。

    一种面向小目标超分辨重建图像的目标识别模型构建方法

    公开(公告)号:CN114863164A

    公开(公告)日:2022-08-05

    申请号:CN202210350813.8

    申请日:2022-04-02

    Abstract: 本发明属于目标识别技术领域,具体涉及一种面向小目标超分辨重建图像的目标识别模型构建方法,包括:采用真实高分辨率图像训练包括特征提取网络和识别分类网络的识别网络模型;将已训练特征提取网络的参数迁移至与该特征提取网络结构相同的生成器和特征提取参考网络,将已训练识别分类网络的参数迁移至与该识别分类网络结构相同的分类器,生成器与分类器构成目标识别模型,特征提取参考网络和判别器构成辅助训练网络,以GAN网络对抗方式辅助训练已参数迁移后的目标识别模型;迭代训练过程中,固定特征提取参考网络的参数,根据损失函数交替更新生成器和分类器的参数以及判别器的参数。本发明能够提高目标识别器在超分辨率重建后目标图像的识别性能。

    一种训练模型以及字符检测的方法及装置

    公开(公告)号:CN113205095A

    公开(公告)日:2021-08-03

    申请号:CN202110392490.4

    申请日:2021-04-13

    Abstract: 本说明书公开了一种训练模型以及字符检测的方法及装置。基于合成训练样本对标注模型进行训练,根据训练后的标注模型的输出对真实训练样本进行标注,并根据合成训练样本对字符检测模型进行训练。通过训练后的字符检测模型对待检测的图像进行特征提取,并确定该图像中各字符的包围框以及该图像中的各中心线。以及根据各中心线与各包围框的重叠程度、与同一中心线重叠的各包围框,确定包围框组,并根据各包围框组中各包围框的几何位置特征,对各中心线向周围进行膨胀得到各膨胀包围框,作为该图像的字符检测结果。可通过训练得到的字符检测模型输出准确的包围框以及中心线,以确定出准确的膨胀包围框,作为字符检测结果。

Patent Agency Ranking