典型文献
基于对抗性持续学习模型的输电线路部件缺陷分类
文献摘要：
输电线路金具巡检是电网安全态势感知中不可或缺的一部分,线路的定期巡检关系着电力系统是否能安稳运行.针对目前的输电线路部件缺陷分类模型无法处理现实情况中无限数据流的问题,该文提出一种基于对抗性持续学习的输电线路部件及其缺陷分类方法.将持续学习技术引入到输电线路部件缺陷分类任务中,使得分类模型在保证分类准确率的同时,可以从无限增长的数据流中不断学习新的分类任务,并且减少时间资源消耗.通过融入注意力机制,增强了模型对细微特征提取能力,解决了分类任务类间差异过小的问题,提高分类准确率.针对持续学习任务中的排序不可知性问题,提出基于离散度进行排序的方法,以实现持续学习分类模型的最优利用.最后,在CIFAR-100公共数据集和自建数据集上进行实验验证,并对模型的各种性能进行分析与比较.结果表明该文提出的方法实现了部件及其缺陷分类任务的可持续学习,缓解了灾难性遗忘的问题;融入注意力机制和使用L3损失函数使分类准确率分别提高了1.43％和2.25％;实现了持续学习分类模型在已获取数据集上的最优利用,为电网安全态势感知打下了坚实的基础.
文献关键词：
输电线路态势感知;缺陷分类;持续学习;注意力机制;排序不可知性
中图分类号：
作者姓名：
赵振兵;蒋志钢;熊静;聂礼强;吕雪纯
作者机构：
华北电力大学电子与通信工程系 保定 071003;华北电力大学河北省电力物联网技术重点实验室 保定 071003;复杂能源系统智能计算教育部工程研究中心 保定 071003;山东大学计算机科学与技术学院 青岛 266237
文献出处：
引用格式：
[1]赵振兵;蒋志钢;熊静;聂礼强;吕雪纯-.基于对抗性持续学习模型的输电线路部件缺陷分类)[J].电子与信息学报,2022(11):3757-3766
A类：
排序不可知性,输电线路态势感知
B类：
对抗性,缺陷分类,输电线路金具,电网安全,安全态势感知,定期巡检,电力系统,安稳,分类模型,现实情况,数据流,分类方法,学习技术,分类任务,分类准确率,不断学习,减少时间,时间资源,资源消耗,注意力机制,细微特征提取,特征提取能力,类间差异,学习任务,离散度,CIFAR,公共数据,自建数据集,种性,分析与比较,可持续学习,灾难性遗忘,L3,损失函数,获取数据
AB值：
0.26124
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
