为了解决电力系统海量非结构化图像数据智能化分析和识别这一问题,提出了一种结合深度学习和随机森林的电力系统关键电力设备图像识别方法。在特征提取方面,通过卷积神经网络提取了电力设备图像的特征;在识别算法方面,借鉴传统机器学习方法的优势,提出了结合深度学习的随机森林分类方法。使用8 500幅电力设备图像对该方法进行了测试。研究结果表明:对于绝缘子、变压器、断路器、输电线电杆和输电线铁塔这5种电力设备,该方法的平均识别准确率达到了89.6%,比常规卷积神经网络分类器和传统随机森林分类器的平均识别准确率分别高出了6.8%和12.6%。该方法为海量非结构化电力设备图像智能化分析提供了一种新的解决办法。?尽管深度学习在语音、图像、自然语言等领域取得了令人震惊的突破,但是深度学习所取得的良好效果并不能否定传统机器学习理论[22]。随机森林(randomforest,RF)方法具有很高的预测准确率本文由公司网站滚圆机网站采集转载中国知网资源整理!www.wanguanj
- [2019-07-31]岩溶探测应用研究-数控滚圆机滚
- [2019-07-31]间隧道治理方法-数控滚圆机滚弧
- [2019-07-24]高层建筑施工中的-数控滚圆机滚
- [2019-07-24]混凝土技术研究-数控滚圆机滚弧
- [2019-07-15]空间旋转目标三维重构-数控滚圆
- [2019-07-15]宽带天线设计与研究-数控滚圆机
- [2019-07-09]基于全相位预处理-数控滚圆机滚
- [2019-07-09]无线定位装置设计-电动折弯机数
- [2019-07-05]刺激器的控制系统设计-电动液压
- [2019-07-05]反激式开关电源设计-电动折弯机