嵌入式系统从编程智力迈入学习智力，要关注深度学习！-CSDN博客

本文链接：https://blog.csdn.net/DP29syM41zyGndVF/article/details/122631820

通过机器学习，嵌入式系统正从编程智力迈入到学习智力时代，在这个全新时代，我们面临着知识更新的巨大任务，不少嵌入式爱好者和从业人员已经开始了深度习领域的不断探索。《单片机与嵌入式系统应用》2022年第1期“嵌入式系统深度学习的智力进化”专题精选以下有关机器学习的综述文章以及深度学习的嵌入式应用文章: 《基于深度学习的智能电网故障预警系统研究》《基于深度学习的红外光热成像无人机巡检技术应用》《基于深度学习网络的智能交通信号控制研究》《基于多网络学习的人脸属性分类》。

基于深度学习的智能电网故障预警系统研究

冷迪,陈瑞,李英,王旭勇

(深圳供电局)

摘要: 为解决传统电网故障分类器无法准确获得故障线路的信息及定位故障的问题,本文提出了基于深度学习的电网故障预警系统。网络中增加由BI GRU 提取的故障线路时间序列特征,从而提高分类器的精度。此外,通过注意力机制学习不同的故障线路或不同的故障状态的时间序列特征,从而加快网络学习效率。最后,将本文所提框架与LSTM、GRU、BI LSTM、BI GRU 等网络进行对比,本文所提方法预测准确率可达92.9%。

基于深度学习的红外光热成像无人机巡检技术应用

李游,龙伟迪,魏绍东

(国网湖南省电力有限公司检修公司)

摘要: 本文在人工智能的基础上利用深度学习结合红外光热成像技术对无人机巡检技术进行研究和优化。首先对红外光热成像技术在电力系统中的应用和无人机巡检技术进行了介绍;然后提出了基于卷积神经网络的目标检测算法,对卷积神经网络的计算原理以及目标检测算法进行说明,并设计了基于深度视觉系统的MobileNetV1 YOLOv3网络预测模型。通过实测分析发现,基于深度学习的轻量级的目标检测网络预测模型定位误差在X、Y、Z三个维度上均低于GPS系统,最小误差仅为0.06 m。

基于深度学习网络的智能交通信号控制研究

周滟

(四川信息职业技术学院)

摘要: 本文设计了基于深度学习网络的智能交通信号控制系统。使用数据平滑方法消除交通流数据的趋势,利用由多个限制玻尔兹曼机模型构成的深度信念网络模型学习交通流特征,并结合支持向量回归预测短时交通流,根据预测结果和排队消散时间实时判断车流放行方向以及进口放行绿灯时间,实现智能交通信号控制。实验结果表明,分别将延迟时间和节点数设置为10 ms和45个,可获得更优异的短时交通流预测效果。

基于多网络学习的人脸属性分类

宋梦媛

(上海工艺美术职业学院)

摘要: 为解决传统人脸属性分类训练效率低、模型参数量巨大等问题,本文提出了一种多网络学习框架。该框架包含两个子网络:人脸区域定位网络和属性分类网络,从而实现动态选择不同的人脸区域进行人脸属性预测。此外,本文提出了基于提示的模型压缩技术,在不明显降低准确率的前提下大大压缩网络参数。最后,通过仿真在CelebA 人脸属性分类数据集上对所提方法进行性能分析,所提出网络模型平均分类准确率可达到90.89%,网络参数量仅为0.27M。

如果对全文感兴趣，您可以关注2022年1期电子刊~