基于计算机视觉的高温下单晶体氧化物生长形态检测方法

    公开(公告)号:CN118412063A

    公开(公告)日:2024-07-30

    申请号:CN202410598659.5

    申请日:2024-05-15

    Abstract: 本发明公开了基于计算机视觉的高温下单晶体氧化物生长形态检测方法,包括;建立EfficientNET卷积神经网络;在EfficientNET卷积神经网络的卷积层中的选取分辨率、深度和宽度三个维度中的一个维度进行调整;得到优化后的EfficientNET卷积神经网络;利用主成分分析法对EfficientNET卷积神经网络的卷积核个数进行压缩以实现高温下单晶体氧化物的图像维度的压缩;然后由优化后的EfficientNET卷积神经网络输出高温下单晶体氧化物的熔界、熔帽、生长条纹、固态晶体、液态晶体、晶体溢流的特征参数目标分类结果。能够检测高温单晶体氧化物生长边沿、熔界边线、熔帽边缘、熔帽切线角度等参数,根据晶体生长形态,实时控制给定参数,有效的防止了液态晶体溢流,提高高温单晶体氧化物生长成功率及晶体品质。

    一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法

    公开(公告)号:CN111967688B

    公开(公告)日:2024-02-23

    申请号:CN202010909741.7

    申请日:2020-09-02

    Abstract: 本发明公布了一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法包括以下步骤:获取某地区的电力系统历史负荷数据,对历史负荷数据的异常数据进行处理;对影响电力负荷的因素进行分析与量化,将修正后的数据进行归一化;确定神经网络的输入输出数据,确定最优的隐含层的神经元个数,建立卷积神经网络;用训练好的卷积神经网络进行预测,并将预测的数据反归一化从而得到负荷预测值;根据时间序列模型和卷积神经网络预测值确定卡尔曼方程,时间序列模型的预测值作为卡尔曼滤波的真实值,卷积神经网络的预测值作为卡尔曼滤波的测量值,对电网负荷进行预测。本发明预测精度较高,可广泛应用于电力系统的负荷预测中。(56)对比文件张爽.基于改进卷积神经网络在短期负荷预测中的方法研究《.中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》.2020,(第7期),第C042-511页.Bui, DM 等.A Statistical Data-Filtering Method Proposed for Short-TermLoad Forecasting Models《.JOURNAL OFELECTRICAL ENGINEERING & TECHNOLOGY》.2020,第15卷(第5期),第1947-1967页.Xun Gong 等.A Generic LoadForecasting Method for AggregatedThermostatically Controlled Loads Basedon Convolutional Neural Networks《.2019IEEE Energy Conversion Congress andExposition (ECCE)》.2019,第495-502页.Hossein Javedani Sadaei 等.Short-termload forecasting by using a combinedmethod of convolutional neural networksand fuzzy time series《.Energy》.2019,第175卷第365-377页.

Patent Agency Ranking