CN115728394B 数据驱动的高压电缆铝护套缺陷识别方法、系统及介质 （广东电网有限责任公司广州供电局）_第1页
CN115728394B 数据驱动的高压电缆铝护套缺陷识别方法、系统及介质 （广东电网有限责任公司广州供电局）_第2页
CN115728394B 数据驱动的高压电缆铝护套缺陷识别方法、系统及介质 （广东电网有限责任公司广州供电局）_第3页
CN115728394B 数据驱动的高压电缆铝护套缺陷识别方法、系统及介质 （广东电网有限责任公司广州供电局）_第4页
CN115728394B 数据驱动的高压电缆铝护套缺陷识别方法、系统及介质 （广东电网有限责任公司广州供电局）_第5页
已阅读5页，还剩15页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

局数据驱动的高压电缆铝护套缺陷识别方法、建基于电缆铝护套缺陷识别神经网络模型对电2将训练样本和测试样本合并，同时降低训练样本和测试样本的构建电缆铝护套缺陷识别神经网络模型，使用重构后的利用电缆铝护套缺陷识别神经网络模型对电铝护套缺陷识别神经网络模型为基于GRU的循环神经网络模型，或基于LSTM的循环神经网4.一种数据驱动的高压电缆铝护套缺陷识别系统，其特征3预处理模块，用于将采集到的超声导波原始信号进行预处理，制降维重构模块，用于将训练样本和测试样本合并，同时降低模型训练模块，用于构建电缆铝护套缺陷识别神经网络模型，使模型识别模块，用于利用电缆铝护套缺陷识别神经网络模型对进行识别。要求1_3任意一项所述的数据驱动的高压电缆45过人工使用重物块模拟或收集实际腐蚀缺陷样本6样本和测试样本对电缆铝护套缺陷识别神经[0045](2)本发明将训练样本和测试样本合并，同时降低训练样本和测试样本的维数并[0046](3)本发明构建基于GRU的循环神经网络模型，使用基于GRU的循环神经网络模型[0049]图2为本发明实施例1的数据驱动的高压电缆铝护套缺陷识别方法的重构网络流7通过人工使用重物块模拟或收集实际腐蚀缺陷样本得8[0075]通过上一个传输下来的状态ht-1和当前节点的输入xt来获取两个门控状态，其分[0080]hr=zoi-1+(1-z)o样本进行训练和识别，使高压电缆铝护套缺陷识别的计算精确度和计算效率进一步提高，9样本和测试样本对电缆铝护套缺陷识别神经为了使说明书的描述简洁，本实施例中上述各模块的详细实现过程参见实施例1，不再赘算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器[0107]上述计算机可读存储介质可以以一种或多种程序设计语言或其组合来编写用于执行本实施例的计算机程序，上述程序设计语言包括面向对象的程序设计语言—诸如不限于上述实施例的细节，任何所属技术领域的普通技术人员对其所做的适当变化或修

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论