面向电力系统的多粒度隐患检测方法

由于电力系统的安全问题往往会造成严重的经济或社会影响,隐患检测已成为电力系统不可或缺的重要环节。随着人工智能领域的发展,基于深度学习的智能化电力系统隐患检测技术逐渐得到越来越多的关注。但目前的方法大多只是单一地考虑图像的全局特征或局部特征,无法全面彻底表征图像,进而难以捕捉电力领域尤其室外复杂背景下的隐患检测。为此,基于深度学习技术,提出了一种面向电力系统的多粒度隐患检测方法MGNet。通过引入图像的多粒度信息,构建全局和局部网络,进行多粒度级检测;并通过不同粒度级检测结果的协作式融合,增强检测的全面性。在杆塔连接金具隐患和线路通道机械隐患2个数据集上进行了实验比较和分析,对所提模型的检测性能进行评估。通过与现有最优隐患检测基准方法相比,所提方法在2种不同数据集上的平均精度均值分别提升了2.74%和2.77%,验证了模型的有效性。      

基于节点连通度的水下通信系统生存性研究

在水下通信系统中，仅仅考虑节点的强度来描述水下通信系统中各个节点的重要性是片面的，为了更好地对水下通信系统的节点重要性进行评估，提出了节点连通度这一指标对水下通信系统进行描述。对节点连通度的定义和方法进行了说明，并对水下通信系统节点重要性和失效方式进行了计算推导，得到水下通信系统节点信息被获取的概率的计算方法。通过对一个水下通信模型进行仿真，验证了节点连通度指标可以描述水下通信系统的生存性。