【摘 要】
：
物联网技术与配电网深度融合形成的配电物联网(Distribution Internet of Things， D-IoT)提供了解决中低压配电网长期盲调盲控问题的新思路。针对目前现有的公共信息模型(Common Information Model， CIM)对配电物联网的描述和覆盖能力欠缺，本文首先扩展了CIM模型中的低压设备模型和拓扑模型，并分别在配电物联网云侧、边侧建立了考虑扩展分相的云侧低压
论文部分内容阅读
物联网技术与配电网深度融合形成的配电物联网(Distribution Internet of Things， D-IoT)提供了解决中低压配电网长期盲调盲控问题的新思路。针对目前现有的公共信息模型(Common Information Model， CIM)对配电物联网的描述和覆盖能力欠缺，本文首先扩展了CIM模型中的低压设备模型和拓扑模型，并分别在配电物联网云侧、边侧建立了考虑扩展分相的云侧低压配电网拓扑连接模型以及边侧局部拓扑分析模型，最后给出了配电物联网云边协同的拓扑交互方法以及采用的通信协议
其他文献
目标跟踪中基于IoU (Intersection over union, IoU)预测的尺度估计方法,通过估计视频帧中候选框与真实目标框的重叠度训练尺度回归模型,推理阶段通过最大化IoU对初始化边界框进行微调,取得目标的尺度.本文详细分析了基于IoU预测的尺度估计模型的梯度更新过程,发现其在训练和推理过程仅将IoU作为度量,缺乏对预测框和真实目标框中心点距离的约束,导致外观模型更新过程中模板受到污
针对传统深度神经网络在对血管壁图像分割中难以提取具有针对性有效特征的问题，提出一种融合密度连接与自适应加权损失的血管壁图像分割方法。首先通过构建密集连接的分割网络学习更多的边界和轮廓表征以促进特征复用融合，然后设计了改进的自适应加权损失和边界紧凑性损失约束训练网络，利用自适应加权损失自动调整不同区域分割产生的损失比例来引导网络向最佳方向学习，同时引入边界紧凑性损失约束以充分利用边界信息，提升对血管
冻融循环作用下的土壤结构变化被认为是融雪期黑土坡面土壤侵蚀加剧的主要原因之一,土壤团聚体稳定性与团聚体微结构是影响土壤可蚀性的关键因子。基于控制条件土壤冻融模拟试验,采用湿筛法、扫描电子显微技术(SEM)和Image-Pro Plus(IPP)图像分析处理相结合的方法,分析了冻融循环过程中黑土团聚体微结构的动态变化特征,阐明了土壤团聚体水稳定性与团聚体微结构特征的内在联系。结果表明:(1)冻融循环
非限制场景下存在光照、遮挡和姿态变化等问题，这严重影响了人脸识别模型的性能和准确度。针对该问题，本文对facenet进行改进，提出了一种基于facenet皮尔森判别网络的人脸识别方法facenetPDN。首先，构建facenetPDN深度卷积神经网络，在facenet前端融合多任务级联卷积神经网络进行人脸检测提取目标人脸。然后，通过深度神经网络提取人脸深度特征信息，采用皮尔森相关系数判别模块替换f
本文利用PROSPECT-VISIR叶片模型,获得了不同叶片参数条件下可见光至中红外波谱区间的叶片反射率模拟数据,分析了植被叶片光谱特征波段,找到叶片反射率对含水量变化敏感的波段范围。在几种常见的可见光-近红外波段植被水分指数基础上,加入中红外波段反射率,提出了四种新型植被水分指数模型:NDII_M、NDWI_M、NMDI_M和NDVI_M。利用叶片反射率模拟数据,比较了四种新型植被水分指数与传统
针对基于深度学习的苗族服饰图像语义分割模型存在提取过程中服饰掩码拟合质量不高的问题，文章提出一种基于渐进式注意力学习的多尺度深度学习金字塔模型（Multi-scale Deep learning pyramidal network of progressive attentional learning， MultiDeepPPL）分割苗族服饰。首先，设计了一种密集跨级连接网络，充分利用多尺度方式提
细粒度图像分类是计算机视觉领域一个具有挑战性的任务， 在实际场景中具有很高的应用价值. 其中不同子类别的物体整体轮廓差异较小， 微小的判别性局部区域是分类的关键. 然而，这些重要的局部区域的尺度可能不同， 不能用单一的标准去衡量它们. 为了解决这个问题，本文提出了多粒度空间混乱模块来帮助神经网络学习如何寻找到不同尺度的判别性细节. 该模块首先将图片划分为不同粒度的局部区域， 然后随机打乱并重组构成
为提高开孔泡沫铝表面缺陷检测精度，提出基于傅里叶逆变换的检测法。制备开孔泡沫铝样品，采集样品表面图像，用自适应中值滤波算法预处理；用傅里叶逆变换分割缺陷区域，滤波后完成缺陷区定位，提取其特征，完成表面缺陷检测。结果表明：本方法可明显突出缺陷孔洞位置，无黑白点噪声干扰；识别表面缺陷时，误检率最高为1.4%，漏检率最高为2.8%，缺陷检测精度较高，具有一定的实用性。
针对目前多波束与侧扫声呐图像配准方法未顾及图像形变细节信息以及二者尺度差异，存在局部纹理失真的问题，提出了结合小波变换、仿射变换和Demons配准算法的迭代自适应配准方法。利用小波变换提取侧扫声呐图像低频信息并重构图像，先后采用仿射变换和Demons算法将重构图像与多波束图像进行迭代自适应配准，获取配准变换模型，利用该模型对侧扫声呐原图像进行整体配准变换，获得多波束图像地理坐标约束的侧扫声呐图像。
针对跨模态行人重识别图像间模态差异大的问题，大多数现有方法采用像素对齐、特征对齐来实现图像间的匹配。为进一步提高两种模态图像间匹配正确的精度，文中设计了一个多输入双流网络用来充分学习样本中的特征。首先，在每个批次的训练中通过增加同一行人在不同相机下的图片，让神经网络更加充分地捕捉到类内之间一致性特征；其次，利用齐次增强得到灰度图像作为中间桥梁，它在保留了可见光图像结构信息的同时消除了颜色信息，灰度