-
公开(公告)号：CN117852577A
公开(公告)日：2024-04-09
申请号：CN202311792248.1
申请日：2023-12-25
Applicant: 国网湖北省电力有限公司信息通信公司 , 武汉大学
IPC: G06N3/0442 , G06N3/084 , G06F18/10 , G06F18/214 , G06F18/25
Abstract: 一种基于门控自注意力机制的时序预测方法及系统，方法首先进行数据清洗，获得初始时序片段，然后构建门控残差注意力模型，并初始化参数进行分块处理并融合特征矩阵，获得融合位置信息，接着使用映射矩阵获得注意力分数并输出特征，构建多层门控注意力单元，再对输出特征进行结果映射还原，并反向更新模型参数，最后进行时序预测；在应用中，通过构建自回归模型，并使用小批量梯度下降的策略来训练出最终的模型参数，从而完成时间序列的预测任务，其基于并行的注意力机制神经网络模型，不仅大大加快了模型的训练速度，并且具有长期时序预测的能力，同时内存消耗较少，且预测精度与鲁棒性较好。本发明不仅误差较小，且训练成本较低。
-
公开(公告)号：CN118051747B
公开(公告)日：2025-01-21
申请号：CN202311799863.5
申请日：2023-12-26
Applicant: 国网湖北省电力有限公司信息通信公司 , 武汉大学
IPC: G06F18/21 , G06F18/2131 , G06F18/214 , G06F18/23213 , G06F18/25 , G06N3/045 , G06N3/0464 , G06F123/02
Abstract: 基于傅里叶变换和代理自注意力的时序预测方法及系统，构建包含傅里叶卷积处理模块、代理自注意力模块、非线性门控模块、特征融合和线性预测模块的时序预测模型，将基于预测目标的历史数据得到的训练集输入时序预测模型中进行训练。本发明设计基于时间序列内在特性的算法模型，不仅可以大规模训练预测模型，且比同期模型具有更快的收敛性能，解决运行内存消耗大的问题，具有预测速度快，泛化能力强的特点，其网络结构可应用于天气预测，金融分析，电力能源预测领域，充分发挥了深度神经网络的优势，具有设计简单、鲁棒性较佳、检测准确率高、预测精度高的优点。
-
公开(公告)号：CN117856230A
公开(公告)日：2024-04-09
申请号：CN202311792194.9
申请日：2023-12-25
Applicant: 国网湖北省电力有限公司信息通信公司 , 武汉大学
IPC: H02J3/00 , G06F18/10 , G06F18/214 , G06N3/048 , G06N3/08
Abstract: 融合气温因素和非量化气象条件变化因素的电力负荷预测方法及系统，采用预处理‑训练‑预测的思路。在预处理阶段，对负荷数据进行预处理，并对复杂气象条件变化这类不可直接量化的因素进行数值化；使用完全自适应噪声集合经验模态分解方法对剔除后的台区负荷数据进行分解；在训练阶段，将分解得到的数据与气温以及量化后的气象条件变化因素进行连接，并输入到GRU神经网络进行训练。在预测阶段，对预处理阶段得到的每个分解数据做预测，并对预测结果进行加和得到总的电力负荷预测结果。本发明不仅根据电力负荷的周期性特点选择模型；而且，通过融合气温因素和非量化气象条件变化因素，从天气纬度对电力负荷预测进行补充，提高预测性能。
-
公开(公告)号：CN117856228A
公开(公告)日：2024-04-09
申请号：CN202311791816.6
申请日：2023-12-25
Applicant: 国网湖北省电力有限公司信息通信公司 , 武汉大学
IPC: H02J3/00 , G06F18/10 , G06F18/214 , G06N3/048 , G06N3/084
Abstract: 一种基于用户用电频率画像的台区负荷预测方法、系统及介质，方法首先获取用电负荷数据进行预清洗，然后计算用电频率，并与预设值比较，接着剔除瞬时用电用户的数据，获得台区用电负荷数据，然后基于完全自适应噪声集合经验模态分解进行数据分解，最后构建并训练GRU神经网络模型，基于该模型对未来用电负荷数据进行预测；在应用中，一方面对于用户及所属台区的层次用电负荷数据进行分析，通过用电频率为用户进行画像分析，剔除用电频率较低、变化较大的用户，以提升预测精度，另一方面使用经验模态分解与神经网络结合的方法，将存在复杂依赖关系的数据转化成一系列本征模态分量进行预测，提升了预测精度。本发明的预测结果较为精准。
-
公开(公告)号：CN118051747A
公开(公告)日：2024-05-17
申请号：CN202311799863.5
申请日：2023-12-26
Applicant: 国网湖北省电力有限公司信息通信公司 , 武汉大学
IPC: G06F18/21 , G06F18/2131 , G06F18/214 , G06F18/23213 , G06F18/25 , G06N3/045 , G06N3/0464 , G06F123/02
Abstract: 基于傅里叶变换和代理自注意力的时序预测方法及系统，构建包含傅里叶卷积处理模块、代理自注意力模块、非线性门控模块、特征融合和线性预测模块的时序预测模型，将基于预测目标的历史数据得到的训练集输入时序预测模型中进行训练。本发明设计基于时间序列内在特性的算法模型，不仅可以大规模训练预测模型，且比同期模型具有更快的收敛性能，解决运行内存消耗大的问题，具有预测速度快，泛化能力强的特点，其网络结构可应用于天气预测，金融分析，电力能源预测领域，充分发挥了深度神经网络的优势，具有设计简单、鲁棒性较佳、检测准确率高、预测精度高的优点。
-
Patent Agency Ranking
公开(公告)号：CN117856229A
公开(公告)日：2024-04-09
申请号：CN202311792136.6
申请日：2023-12-25
Applicant: 国网湖北省电力有限公司信息通信公司 , 武汉大学
IPC: H02J3/00 , G06F18/214 , G06F18/21 , G06F18/25 , G06N3/048 , G06N3/0499 , G06N3/084
Abstract: 一种基于时频信息融合的电力负荷预测方法，包括：获取电力负荷数据，并将电力负荷数据划分成训练集、验证集和测试集三个部分；构建包括输入层、编码层和输出层的电力负荷预测模型；输入层用于对电力负荷数据进行归一化、分块和特征嵌入处理，并将得到的时间域特征输入到编码层中；编码层用于先将时间域的特征转换到频率域得到频率域特征，再将时间域特征和频率域特征进行信息融合得到时频域融合特征，然后提取时频域融合特征中的依赖关系；输出层用于将时频域融合特征转换为时间域上的预测结果；采用训练集的电力负荷数据对电力负荷预测模型进行训练得到训练好的电力负荷预测模型，之后进行电力负荷预测。本发明有效提升了电力负荷预测的精度。
-
公开(公告)号：CN114239945B
公开(公告)日：2024-08-02
申请号：CN202111500923.X
申请日：2021-12-09
Applicant: 武汉大学
IPC: H02J3/00 , G06Q10/04 , G06Q50/06 , G06N3/045 , G06N3/0442 , G06N3/0464 , G06N3/08
Abstract: 本申请公开了一种短期电力负荷预测方法、装置、计算机设备及计算机可读存储介质，该方法包括：通过对按照预置条件采集的负荷序列进行预处理；根据预置集合经验模态分解模型对预处理后的所述负荷序列进行分解，得到负荷子序列集合，其中，所述负荷子序列集合包括至少两个负荷子序列；根据预置神经网络模型和所述负荷子序列集合，得到预测的负荷子序列值，其中，所述预置神经网络模型包括预置卷积神经网络模型和预置循环神经网络模型，所述负荷子序列值至少为一个；对各个所述负荷子序列值进行融合，确定负荷序列值，从而提高短期电力负荷预测精度。
-
公开(公告)号：CN117351518A
公开(公告)日：2024-01-05
申请号：CN202311257780.3
申请日：2023-09-26
Applicant: 武汉大学
IPC: G06V40/10 , G06V10/82 , G06V10/762 , G06V10/44 , G06N3/0464 , G06N3/048 , G06N3/088
Abstract: 本发明公开了一种基于层级差异的无监督跨模态行人重识别方法及系统，采用基于大统一表示学习框架的无监督红外‑可见光跨模态行人重识别网络进行行人重识别。训练策略分三阶段，阶段一提取图像特征并初始化记忆存储向量，后两阶段拼接特征向量对多数据域记忆模块类质心相似度向量进行聚类并进行与同第一阶段的初始化，统一并平滑两模态标签后获得对多层次差异更鲁棒的聚类嵌入编码和伪标签进行对比学习。多轮优化后根据提取特征与待检测特征间的相似度进行行人图片检索。本发明提出的新型网络架构通过分阶段细粒度训练策略以及对标签统一平滑处理，在无人工标注情况下实现了红外与可见光跨模态行人重识别，有效提升了重识别的准确率与召回率。
-
公开(公告)号：CN112288851B
公开(公告)日：2022-09-13
申请号：CN202011147653.4
申请日：2020-10-23
Applicant: 武汉大学
Abstract: 本发明公开了一种基于双支流网络的三维人脸建模方法，该方法包括以下步骤：1)构建基于自编码器结构的人脸形状重建支流，获得身份空间图和表情空间图；2)利用身份空间图和表情空间图分别表达身份属性成分和表情属性成分；3)构建基于语义区域的面部纹理重建支流，获得具有高真实度的面部纹理图；4)构建融合模块，其过程为：将重建的面部形状模型与重建的面部纹理图按照预定义的三维顶点拓扑关系进行对应组合，得到最终重建的三维人脸模型。本发明通过将人脸的身份和表情属性进行解耦学习，并利用双支流网络进行面部形状与面部纹理的处理，实现对具有大幅度表情的精确三维人脸重建。
-
公开(公告)号：CN112288627B
公开(公告)日：2022-07-05
申请号：CN202011148213.0
申请日：2020-10-23
Applicant: 武汉大学
Abstract: 本发明公开了一种面向识别的低分辨率人脸图像超分辨率方法。包括：通过少量收集的监控场景降质样本，采用变分自编码网络学习样本数据的降质分布规律；基于数据降质分布规律，通过采样策略扩充服从数据降质分布规律的多样性降质样本；对高分辨率数据样本通过风格迁移网络进行样本降质模拟生成处理，以获取与真实降质样本同分布的对应低分辨率人脸样本；使用高分辨率数据样本和对应生成的低分辨率降质样本对预设的人脸图像超分辨率网络进行训练，直到网络收敛为止。本发明能够使人脸超分辨率增强网络不仅能生成高质量的清晰人脸，同时关注身份信息相关纹理的合成。本发明够在低分辨率样本量较少的情况下，提高监控场景下低分辨率人脸图像的识别率。
-
-
-
-
-
-
-
-
-
Search Results
154
records
(took 0.086 seconds)
