-
摘要: 近年来, 基于深度卷积神经网络的单图像超分辨率重建, 取得了显著的进展, 但是, 仍然存在诸如特征利用率低、网络参数量大和重建图像细节纹理模糊等问题. 我们提出了基于特征融合注意网络的单图像超分辨率方法, 网络模型主要包括特征融合子网络和特征注意子网络. 特征融合子网络可以更好地融合不同深度的特征信息, 以及增加跨通道的学习能力; 特征注意子网络则着重关注高频信息, 以增强边缘和纹理. 实验结果表明: 无论是主观视觉效果, 还是客观度量, 我们方法的超分辨率性能明显优于其他代表性的方法.Abstract: In recent years, single-image super-resolution (SISR) reconstruction based on deep convolutional neural networks has made significant progress, but there are still problems such as low feature utilization, large number of network parameters and blurred texture of the reconstructed image. We propose a new SISR network based on feature fusion attention mechanism, which mainly consists of a feature fusion sub-network and a feature attention sub-network. The feature fusion sub-network can better fuse feature information of different depths and increase the cross-channel learning ability; the feature attention sub-network focuses on high frequency information to enhance edges and textures. Experimental results demonstrate that the super-resolution performance of our method is significantly better than those of other representative methods in both subjective vision quality and objective metrics.
-
电熔镁砂是一种生产航天、航空和工业所需耐火材料的原料. 电熔镁砂生产过程采用多台电熔镁炉, 熔炼菱镁矿石, 生产电熔镁砂. 电熔镁炉是一种重大耗能设备, 耗电成本占总生产成本的60%以上[1-2]. 需量是电熔镁砂生产过程的耗电指标, 供电部门规定需量为当前时刻和过去29个采样时刻的电熔镁砂生产用电功率的均值, 其采样周期为7秒[3]. 电熔镁砂生产企业采用需量监控系统监控需量值, 当需量达到其限幅值(22 300 kW)时会切断其中一台电熔镁炉的供电, 使需量不超过限幅值, 然而切断供电会破坏炉内温度场吸热和放热平衡, 降低产品质量[4].
在电熔镁砂生产过程中, 当原料杂质成分含量增大和颗粒大小变化等造成阻抗减小, 导致熔化电流增大、功率增大, 进而需量上升. 由于熔化电流设定值不变, 因此熔化电流控制系统使熔化电流下降, 需量下降, 出现需量先升后降的尖峰现象. 当需量尖峰值达到其限幅值会造成拉闸断电, 为了避免需量尖峰造成的不必要的断电, 需要对需量尖峰进行识别, 因此需要对需量进行多步预报.
需量多步预报的研究集中在城市用电领域. 文献[5]利用采样周期为1小时的用电需量数据, 提出一种自回归模型与三次样条曲线相结合的混合负荷多步预报方法, 预报大西洋城未来一天每小时的用电需量. 文献[6]利用采样周期为0.5小时的用电需量数据, 提出基于信号滤波和季节调整的多输出前馈神经网络与经验模态分解相结合的多步预报模型, 预报澳大利亚新南威尔士州未来一天每半小时的用电需量. 文献[7]利用采样周期为1分钟的需量数据, 提出基于非线性自回归神经网络的多步预报方法, 预报未来1分钟、10分钟、1小时和2小时的住宅用电需量. 文献[8]利用采样周期为0.5小时的用电需量数据, 提出基于多目标优化算法的最小二乘支持向量机的多步预报方法, 预报电力市场未来0.5小时、1小时、2小时和3小时的用电需量. 文献[9]利用采样周期为1天的用电需量数据, 提出基于支持向量机的多步预报模型, 预报某配电公司未来30天的每天最大用电需量. 文献[10]利用采样周期为0.5小时的用电需量数据, 提出基于支持向量机、极限学习机和多层循环神经网络的用电需量多步预报方法, 预报了未来1.5小时的每半小时的城市用电需量. 文献[11]利用采样周期为1小时的用电需量数据, 提出基于自回归滑动平均模型的某地区未来一天的用电需量预报方法. 文献[12]利用采样周期为1个月的用电需量数据, 提出基于多层神经网络的未来12个月的地区用电需量预报模型. 文献[13]利用采样周期为1个月的用电需量数据, 提出基于神经网络的未来12个月的地区用电需量预报方法. 文献[14]利用采样周期为15分钟的用电需量数据, 提出基于变分模态分解的某地区未来1分钟、3分钟和5分钟的用电需量预报方法. 文献[15]利用采样周期为30秒的用电需量数据, 提出基于集成经验模态分解和卷积神经网络的某地区未来30秒、1分钟、1.5分钟和2分钟的用电需量预报方法. 电熔镁砂生产用电需量的变化是快变化的动态系统, 需量的采样周期为7秒, 发生需量尖峰的整个时间在70秒之内. 由于电熔镁砂生产过程是由多台电熔镁炉运行组成, 其用电需量变化过程是模型结构与系统阶次未知的非线性动态系统, 而城市用电需量变化是一个慢变化的系统, 可以采用上述静态建模方法[5-15]. 电熔镁砂生产用电需量的多步预报难以采用文献[5-15]方法进行需量尖峰的准确预报.
文献[16-17]利用采样周期为7秒的用电需量数据, 提出数据与模型驱动的电熔镁砂生产用电需量单步预报方法. 为了提高需量预报精度, 文献[18]采用用电需量大数据提出系统辨识与自适应深度学习相结合的电熔镁砂生产用电需量一步预报方法. 由于需量尖峰是需量先升高后下降, 需要对需量进行多步预报.
本文利用电熔镁砂生产过程熔化电流闭环控制系统方程, 建立了由线性模型和未知非线性动态系统组成的群炉需量多步预报模型, 将系统辨识与自适应深度学习相结合, 采用端边云协同结构, 提出了电熔镁砂生产用电需量多步智能预报方法. 采用电熔镁砂生产过程的工业大数据验证了所提方法可以准确预报用电需量的变化趋势.
1. 电熔镁砂需量监控过程描述
如图1所示, 电熔镁砂的生产过程由多台电熔镁炉控制系统, 供电系统和需量监控系统组成, 每台电熔镁炉控制系统由电熔镁炉、拉闸系统、加料系统、熔化电流控制系统组成[2]. 需量监控系统由功率采集装置和需量监控计算机组成. 电熔镁炉采用埋弧方式, 通过加料系统将原矿送入电熔镁炉内, 电流控制系统控制三相电极与原料之间的距离使产生的电弧电流达到生产工艺规定的熔化电流, 形成熔池. 边熔化边加料, 使熔池增高至炉口, 熔炼过程结束. 熔炼过程持续约10小时, 每台电熔镁炉每炉次耗电约40 MWh, 因此电熔镁炉是高耗能设备.
图 1 电熔镁砂生产用电需量监控流程图Fig. 1 An flow chart of electricity demand monitoring process for a fused magnesia production为了节能减排, 电力部门规定当前时刻和过去29个时刻的功率的平均值作为当前时刻的需量值并规定了需量的限幅值, 当需量实际值超过需量限幅值对用电企业罚款, 因此生产企业设立需量监控系统, 操作人员监视需量实际值, 当超过限幅值, 通过拉闸系统切断其中一台电熔镁炉的电源. 由于电熔镁砂生产过程常出现尖峰现象, 导致不必要的拉闸. 为避免尖峰导致的不必要的拉闸断电, 需要对尖峰进行预报, 由于尖峰现象是需量先升高后下降, 因此需要对需量进行多步预报.
2. 电熔镁砂生产用电需量多步预报模型
需量$ \bar{p}(k) $为$ k $时刻群炉功率$ p(k) $与过去29个采样周期的群炉功率的均值, 即
$$ \begin{split} \bar{p}(k)=\;& \frac{1}{30}\sum_{j = 0}^{29} p(k-j) =\\ &\bar{p}(k-1)+\frac{p(k)-p(k-30)}{30} \end{split} $$ (1) 其中, $ k = 1 $表示采样周期7秒, $ (k+n) $时刻的需量$\bar{p}(k+n)$为
$$ \begin{split} \bar{p}(k+n) = &\frac{1}{30}\sum_{j = 0}^{29} p(k+n-j)=\frac{1}{30}\sum_{i = 0}^n{p}(k+n-i)\;+\\&\frac{1}{30}\sum_{j = 0}^{29-n} p(k-j)=\bar{p}(k)\;-\\ &\frac{1}{30}\sum_{i = 0}^n{p}(k-30+i)+\frac{1}{30}\sum_{i = 1}^n p(k+i)\ \end{split} $$ (2) 其中, 群炉功率$ p(k+1), \cdots, p(k+n) $未知, 因此需要建立群炉功率多步预报模型.
2.1 群炉功率多步预报模型
首先需建立群炉功率$ p(k) $的动态模型. 电熔镁炉群炉功率$ p(k) $为 $M$个电熔镁炉功率之和$ \sum_{s = 1}^M p_s(k) $.
采用文献[18]的方法建立第$ s $个电熔镁炉的功率$ p_s(k) $的动态模型. 第$ s $个电熔镁炉的熔化电流$ y_s(k) $为电流闭环控制系统的输出, 其动态模型为
$$ \begin{align} T_s(z^{-1})y_s(k) = G_s(z^{-1})y^*+v_s(k) \end{align} $$ (3) 其中, $ y^* $是已知的熔化电流设定值, $ v_s(k) $为未知非线性项, $ T_s(z^{-1}) $ 和 $ G_s(z^{-1}) $为关于$ z^{-1} $的多项式, 即$ T_s(z^{-1}) = 1+t_{s1}(z^{-1})+t_{s2}(z^{-2})+t_{s3}(z^{-3}) $, $G_s(z^{-1}) = g_{s0}+g_{s1}(z^{-1})+g_{s2}(z^{-2})$.
第$ s $个电熔镁炉的功率动态模型为
$$ \begin{split} p_s(k) =\; &\sqrt{3}Uy_s(k)\cos \phi =-\;t_{s1}p_s(k-1)\;-\\ &t_{s2}p_s(k-2)-t_{s3}p_s(k-3)\;+\\ &d_{s0}p^*+v_s(k) \end{split} $$ (4) 其中, $ p^* $是熔化电流设定值 $ y^* $对应的功率; $p_s(k- 1) $, $p_s(k-2) $, $ p_s(k-3)$为$ (k-1) $, $ (k-2) $, $(k- 3) $时刻的第$s$个电熔镁炉功率; $d_{s0} =g_{s0}+ g_{s1}+ g_{s2} $.
采用未知常数$ t_{1}, t_{2}, t_{3}, d_{0} $代替式(4)中的$ t_{s1}, t_{s2}, t_{s3}, d_{s0} $, 群炉功率$ p(k) $为
$$ \begin{split} p(k) =\; &\sum_{s = 1}^{M} p_s(k)= -\;t_{1}p(k-1)-t_{2}p(k-2)\;-\\ &t_{3}p(k-3)+d_{0}p^*+v(k) \end{split} $$ (5) 其中, $ v(k) $为$v(k) = \sum_{s = 1}^{M}\left((t_1-t_{s1})p(k-1)+\right. (t_2-$ $t_{s2})p(k-2) $ $+\;(t_3\;-\;t_{s3})p(k-3)\;-\;(d_0\;-\;d_{s0})p^*\;+$ $v_s(k) ). $
由式(5)可得$ (k+1) $时刻的群炉功率$ p(k+1) $为
$$ \begin{split} {p}(k+1) =\; &{\boldsymbol{\varphi}}(k){{\boldsymbol{\theta}}}^1+{v}(k+1)=\\ &{\boldsymbol{\varphi}}(k){{\boldsymbol{\theta}}}^1+{r}(k+1) \end{split} $$ (6) 其中, ${\boldsymbol{\varphi}}(k) \,= \,( p(k),\, p(k-1),\, p(k-2), p(k-3) )$, $ {{\boldsymbol{\theta}}}^1 = ( {\theta}_1^1, {\theta}_2^1, {\theta}_3^1, {\theta}_4^1)^{\rm{T}} = (-t_{1}, -t_{2}, -t_{3}, d_{0})^{\rm{T}} $, ${r}(k\;+ 1) = {v}(k+1).$ $ (k+2) $时刻的群炉功率 $ p(k+2) $为
$$ \begin{split} {p}(k+2) =\; &{\boldsymbol{\varphi}}(k+1){\boldsymbol{\theta}}^1+v(k+2)=\\ &({\boldsymbol{\varphi}}(k){{\boldsymbol{\theta}}}^1+{v}(k+1), p(k), p(k-1),\\ & p^* ){\boldsymbol{\theta}}^1+v(k+2)=\\ &p(k)((\theta_1^1)^2+\theta_2^1)+p(k-1)(\theta_1^1\theta_2^1+\theta_3^1)\;+\\ &p(k-2)\theta_3^1\theta_1^1+p^*(\theta_1^1\theta_4^1+\theta_4^1)\;+\\ &r(k+1)\theta_1^1+v(k+2)=\\ &{\boldsymbol{\varphi}}(k){{\boldsymbol{\theta}}}^2(k)+r(k+2) \\[-10pt]\end{split} $$ (7) 其中, 线性模型参数${{\boldsymbol{\theta}}}^2 = ({\theta}_1^2, {\theta}^2_{2}, {\theta}^2_{3}, {\theta}^2_{4})^{\rm{T}},{\theta}_1^2 = (\theta_1^1)^2\, +$ $\theta_2^1, {\theta}^2_{2} = \theta_1^1\theta_2^1+\theta_3^1, {\theta}^2_{3} = \theta_3^1\theta_1^1, {\theta}^2_{4} = \theta_1^1\theta_4^1+\theta_4^1$, 未知非线性项$ r(k+2) $ 为 ${r}(k+2) \;=\; {r}(k+1)\theta_1^1(k+1)\;+ v(k+2)$.
采用数学归纳法可以证明假设$ (k+n-1) $时刻的群炉功率$ p(k+n-1) $为式(8)成立, 则$ (k+n) $时刻的群炉功率$ p(k+n) $表达式(9)成立
$$ {p}(k+n-1) = {\boldsymbol{\varphi}}(k){{\boldsymbol{\theta}}}^{n-1}+ {r}(k+n-1) $$ (8) $$ {p}(k+n) = {\boldsymbol{\varphi}}(k){{\boldsymbol{\theta}}}^n+ {r}(k+n) $$ (9) 其中, ${{\boldsymbol{\theta}}}^{n-1} = ({\theta}_1^{n-1}, {\theta}^{n-1}_{2}, {\theta}^{n-1}_{3}, {\theta}^{n-1}_{4})^{\rm{T}}$, ${{\boldsymbol{\theta}}}^n = ({\theta}_1^n,$${\theta}_2^n, {\theta}^n_{3}, {\theta}^n_{4})^{\rm{T}}, {\theta}_1^n = {\theta}_1^{n-1}\theta_1^1+{\theta}_1^{n-2}\theta_2^1+{\theta}_1^{n-3}\theta_3^1$, ${\theta}_2^n = $ ${\theta}_2^{n-1}\theta_1^1+{\theta}_2^{n-2}\theta_2^1+{\theta}_2^{n-3}\theta_3^1$, $ {\theta}_3^n = {\theta}_3^{n-1}\theta_1^1+{\theta}_3^{n-2}\theta_2^1\;+ $ ${\theta}_3^{n-3}\theta_3^1 $, $ {\theta}_4^n = {\theta}_4^{n-1}\theta_1^1+{\theta}_4^{n-2}\theta_4^1+{\theta}_4^{n-3}\theta_3^1+\theta_4^1$, 未知非线性项$ {r}(k+n) $为${r}(k+n) = {r}(k+n- 1)\theta_1^1+{r}(k\;+ n-2)\theta_2^1+{r}(k+n-3)\theta_3^1+{v}(k+n)$. 因此群炉功率多步预报模型为
$$ \begin{align} {P}(k+n) = &\Theta^{\rm{T}}\varphi^{\rm{T}}(k)+ {R}(k+n) \end{align} $$ (10) 其中, $ {P}(k+n) = (p(k+1), \cdots, p(k+n))^{\rm{T}} $, 模型参数$ \Theta = ({\boldsymbol{\theta}}^1, \cdots, {\boldsymbol{\theta}}^n) $, $R(k+n) = (r_1(k+1), \cdots, r_i(k\,+ i), \cdots, r_n(k+n))^{\rm{T}}$.
由式(10)可知模型参数$ \Theta $的辨识方程为
$$ \begin{align} P_s(k) = \begin{pmatrix} {\boldsymbol{\varphi}}(k-1){\boldsymbol{\theta}}^1\\ \vdots\\ {\boldsymbol{\varphi}}(k-i){\boldsymbol{\theta}}^i\\ \vdots\\ {\boldsymbol{\varphi}}(k-n){\boldsymbol{\theta}}^n \end{pmatrix} + {R_s}(k) \end{align} $$ (11) 其中, $ n\times 1 $的向量$ P_s(k+n) $为
$$ P_s(k+n) = (p(k), \cdots, p(k))^{\rm{T}} $$ $$ {R_s}(k) = (r_1(k), \cdots, r_i(k), \cdots, r_n(k))^{\rm{T}} $$ 采用最小二乘算法[19]离线辨识模型参数$ \Theta $, 由式(10)和式(11)可得群炉功率预报模型为
$$ \begin{align} {P}(k+n) = \hat{\Theta}^{\rm{T}}{\boldsymbol{\varphi}}^{\rm{T}}(k)+ \bar{R}(k+n) \end{align} $$ (12) 其中, $\hat{\Theta}^{\rm{T}} = ({\hat{\boldsymbol{\theta}}}^1, \cdots, {\hat{\boldsymbol{\theta}}}^n), \bar{R}(k+n) = (\Theta-\hat{\Theta}^{\rm{T}})\varphi^{\rm{T}}(k)\,+$ $R(k+n) = (\bar{r}_1(k+1), \cdots, \bar{r}_i(k+i), \cdots, \bar{r}_n(k + n))^{\rm{T}}$,
$$ \begin{split} \bar{r}_i(k+i) =\;& f_i(p(k), p(k-1), \cdots, \\ &\bar{r}_i(k), \bar{r}_i(k-1), \cdots) \end{split} $$ (13) 其中, $ f(\cdot) $是模型结构与阶次未知的未知非线性函数, $i = 1, \cdots, n$. 由式(11)知
$$ \begin{align} {\bar{R}_s}(k) = P_s(k)- \begin{pmatrix} {\boldsymbol{\varphi}}(k-1){\hat{\boldsymbol{\theta}}}^1\\ \vdots\\ {\boldsymbol{\varphi}}(k-i){\hat{\boldsymbol{\theta}}}^i\\ \vdots\\ {\boldsymbol{\varphi}}(k-n){\hat{\boldsymbol{\theta}}}^n \end{pmatrix} \end{align} $$ (14) 其中, $ \bar{R}_s(k) = \left(\bar{r}_{1}(k), \cdots, \bar{r}_{i}(k), \cdots, \bar{r}_{n}(k)\right) $.
2.2 需量多步预报模型
由式(2)和式(12)可以得到需量多步预报模型为
$$ \begin{split} \bar{P}\left( k+n \right) =\; &\left( \begin{matrix} \bar{p}(k) \\ \bar{p}(k) \\ \vdots \\ \bar{p}(k) \\ \end{matrix} \right)-\frac{1}{30}\left( \begin{matrix} p(k-29) \\ \displaystyle\sum\limits_{i = 1}^{2}{p(k-30+i)} \\ \vdots \\ \displaystyle\sum\limits_{i = 1}^{n}{p(k-30+i)} \\ \end{matrix} \right)+\\ & \frac{1}{30}\left( \begin{matrix} p(k\text+1) \\ \displaystyle\sum\limits_{i = 1}^{2}{p(k+i)} \\ \vdots \\ \displaystyle\sum\limits_{i = 1}^{n}{p(k+i)} \end{matrix} \right) =\\ &\left( \begin{matrix} \bar{p}(k) \\ \bar{p}(k) \\ \vdots \\ \bar{p}(k) \end{matrix} \right)-\frac{1}{30}\left( \begin{matrix} p(k-29) \\ \displaystyle\sum\limits_{i = 1}^{2}{p(k-30+i)} \\ \vdots \\ \displaystyle\sum\limits_{i = 1}^{n}{p(k-30+i)} \end{matrix} \right)+\\ &\frac{1}{30}\left( \begin{matrix} {\boldsymbol{\varphi}} (k){{{\hat{\theta }}}^{1}} \\ \displaystyle\sum\limits_{i = 1}^{2}{{\boldsymbol{\varphi}} (k){{{\hat{\theta }}}^{i}}} \\ \vdots \\ \displaystyle\sum\limits_{i = 1}^{n}{{\boldsymbol{\varphi}} (k){{{\hat{\theta }}}^{i}}} \\ \end{matrix} \right)+\frac{1}{30}\left( \begin{matrix} \bar{r}(k) \\ \displaystyle\sum\limits_{i = 1}^{2}{\bar{r}(k+i)} \\ \vdots \\ \displaystyle\sum\limits_{i = 1}^{n}{\bar{r}(k+i)} \\ \end{matrix} \right) =\\ &{\bar{P}_S(k)}+\frac{1}{30}AP(k+n-30)\;+\\ &\frac{1}{30}A\hat{\Theta}^{\rm{T}}{\boldsymbol{\varphi}}^{\rm{T}}(k)+ \frac{1}{30}A\bar{R}(k+n) \\[-10pt]\end{split} $$ (5) 其中, $\bar{P}(k+n) = (\bar{p}(k+1), \cdots, \bar{p}(k+n))^{\rm{T}}$, ${\bar{P}_S(k)} = (\bar{p}(k), \cdots, \bar{p}(k))^{\rm{T}}$, $P(k+n-30) = (p(k-29), \cdots, p(k-n+30))^{\rm{T}}$, $ \bar{R}(k+n) $ 为 $(\bar{r}_1(k), \cdots, \bar{r}_i(k+ i), \cdots, \bar{r}_n(k+n))^{\rm{T}}$, $ A $为非0元素为1的$ n\times n $维下三角阵. 式(15)中$ {\bar{P}_S(k)}, P(k+n-30), \hat{\Theta}^{\rm{T}}{\boldsymbol{\varphi}}^{\rm{T}}(k) $已知, 向量$ \bar{R}(k+n) $是模型结构阶次与参数未知的非线性动态系统.
3. 需量多步智能预报方法
3.1 需量多步预报策略
采用文献[18]方法建立式(15)的未知非线性动态系统的由在线深度学习多步预报模型、自校正深度学习多步预报模型和自校正机制组成的自适应深度学习多步预报模型.
采用图2所示的端边云协同结构实现电熔镁砂生产用电需量多步智能预报算法, 其中端−需量监控系统实时采集电熔镁砂生产过程中的群炉功率$ p(k) $与需量$ \bar{p}(k) $, 边−需量预报计算机执行数据处理、在线计算$ \hat{\Theta}^{\rm{T}}\varphi^{\rm{T}}(k) $, 采用窗口长度为$ N $的数据和$ \bar{R}(k\;+ n) $的在线深度学习多步预报模型获得$ \hat{\bar{R}}(k+n) $, 采用式(15)求取需量多步预报值$ \hat{\bar{P}}(k+n) $, 云−数据服务器和人工智能计算平台采用$ k $时刻以及以前所有时刻的输入输出数据和$ \bar{R}(k+n) $的自校正深度学习多步预报模型更新自校正深度学习多步预报模型的全部权值参数和偏置参数. 自校正机制在线监控$ \bar{R}(k+n) $的在线深度学习多步预报模型的预报精度, 当不满足精度要求时, 采用自校正深度学习多步预报模型的参数校正在线深度学习多步预报模型的参数, 从而保证需量的预报精度.
图 2 端边云协同需量多步智能预报结构图Fig. 2 Schematic of multi-step intelligent forecasting of demand with edge-cloud coordination3.2 $ \bar{R}(k+n) $的自适应深度学习多步预报算法
首先建立$ \bar{R}(k+n) $的自适应深度学习多步预报算法. 采用长短周期记忆(Long short-term memory, LSTM)[20-22]的网络架构提出如图3所示的需量第$ i $步预报$ \bar{r}(k+i) $的深度学习预报模型结构. 结合$ \bar{r}(k+i) $动态特性, 将其输入变量作为单个神经元的输入, 未知阶次用神经元个数$ t $来表示, 由式(13)和式(14)可知$ \bar{r}(k+i) $的深度学习网络的第$ j $个神经元的输入为 ${\boldsymbol{x}}_i(k-j+1) = (p(k- j\;+ 1), \bar{r}_i(k-j+1))^{\rm{T}}$, 其中 $\bar{r}_i(k-j+1) = p(k- j\;+ 1)-{\boldsymbol{\varphi}}(k- i-j+1){\hat{\boldsymbol{\theta}}}^i$, $ j = 1, \cdots, t $. 采用文献[18]的训练方法, 利用30个炉次(150000组)的群炉功率数据离线训练$ \bar{r}(k+i) $的深度学习模型结构, 确定神经元个数$ t = 25 $、神经元的节点个数$ \bar{h} = 200 $、隐藏层数$ L = 3 $、在线训练数据窗口长度$ N = 2\,000 $. 采用该深度学习预报模型结构, 提出由在线深度学习预报模型、自校正深度学习预报模型和自校正机制组成的$ \bar{r}(k+i) $的自适应深度学习预报算法.
图 3 $ \bar{r}(k+i)$的深度学习预报模型结构Fig. 3 Structure of deep learning prediction model of $ \bar{r}(k+i)$采用窗口长度$ N $的实时数据在线校正$ \bar{r}(k+i) $的在线深度学习预报模型的输出层权值与偏置参数. 校正算法为
$$ \begin{align} \hat{\bar{r}}_i(k+i) = {\hat{\boldsymbol{\beta}}}_i(k){\boldsymbol{h}}_i^3(k)+\hat{b}_i(k) \end{align} $$ (16) 其中,
$$ {\hat{\boldsymbol{\beta}}}_i(k) = {\hat{\boldsymbol{\beta}}}_i(k-1)-\alpha\frac{\partial L_i(k)}{\partial {{\boldsymbol{\beta}}}_i(k-1)} $$ (17) $$ \hat{b}_i(k) = \hat{b}_i(k-1)-\alpha\frac{\partial L_i(k)}{\partial{b}_i(k-1)} $$ (18) $$ L_i(k) =\frac{1}{N}\sum_{m = 0}^{N-1}||\Delta \bar{r}_i(k-m)||_2 $$ (19) 其中, $ \Delta\bar{r}_i(k-m) = \bar{r}_i(k-m)-\hat{\bar{r}}_i(k-m) $.
采用当前时刻$ k $以及以前所有时刻的实时数据校正自校正深度学习预报模型的全部权值和偏置参数. 其输出层的权值与偏置参数采用式(16) ~ (19)校正. 第$ l $层第$ j $个神经元的输出
$$ \begin{split} {\boldsymbol{h}}_i^l(k-j+1) =\;& {\boldsymbol{o}}_i^l(k-j+1) \;\odot\\ &\tanh( C_i^l(k-j+1)) \end{split} $$ (20) 其中, $ \odot $为哈达玛积[22], $ \tanh(\cdot) $为双曲正切函数, $ ( C_i^l(k-j+1)) $和$ {\boldsymbol{o}}_i^l(k-j+1) $表示第$ l $层第$ j $个神经元的状态和输出门的输出, 采用文献[12]方法计算, 其中, 第$ l $层第$i $个神经元的输出门的权值与偏置参数的校正算法为
$$ W_i^l(k-j+1) = W_i^l(k-j)-\alpha\frac{\partial L_i(k)}{\partial W_i^l(k-j)} $$ (21) $$ b_i^l(k-j+1) = b_i^l(k-j)-\alpha\frac{\partial L_i(k)}{\partial b_i^l(k-j)} $$ (22) $$L_i(k) =\frac{1}{k}\sum_{m = 0}^{k-1}||\Delta \bar{r}_i(k-m)||_2 $$ (23) 其中, $ \Delta\bar{r}_i(k-m) = \bar{r}_i(k-m)-\tilde{r}_i(k-m) $.
为了准确预报需量尖峰, 需要保证需量预报误差精度和需量变化趋势预报精度, 由式(15)知需量预报精度取决于$ \bar{r}(k+i) $的预报精度. 采用自校正机制监控$ \bar{r}(k+i) $的在线深度学习预报模型的预报误差和变化趋势的预报精度, 当不满足精度要求时, 采用自校正深度学习预报模型的各层权值参数与偏置参数校正在线深度学习预报模型的权值参数与偏置参数.
自校正机制采用$ \bar{r}(k+i) $的预报误差$ \Delta \bar{r}_i(k) $, 未知非线性系统第$ i $步上升趋势预报准确率$ { TPR_i(k)} $和第$ i $步下降趋势预报准确率$ { TNR_i(k)} $三项指标, 即
$$ |\Delta\bar{r}_i(k)| = |\bar{r}_i(k)-\hat{\bar{r}}_i(k)| $$ (24) $$ { TPR_i(k)} = \frac{\sum\limits_{m = 0}\limits^{N-1}{ TP}_i(k-m)}{\sum\limits_{m = 0}\limits^{N-1}{ TP}_i(k-m)+\sum\limits_{m = 0}\limits^{N-1}{ FP}_i(k-m)} $$ (25) $$ { TNR_i(k)} =\frac{\sum\limits_{m = 0}\limits^{N-1}{ TN}_i(k-m)}{\sum\limits_{m = 0}\limits^{N-1}{ TN}_i(k-m)+\sum\limits_{m = 0}\limits^{N-1}{ FN}_i(k-m)} $$ (26) 其中, $ {TP}_i(k), { FP}_i(k), { TN}_i(k), { FN}_i(k) $的计算方式如表1所示.
表 1 $ { TP}_i(k), { FP}_i(k), { TN}_i(k), {FN}_i(k)$的计算方式Table 1 Formula mode of ${ TP}_i(k), { FP}_i(k), $ ${ TN}_i(k), {FN}_i(k) $$\hat{\bar{r} }_i(k)-\hat{\bar{r} }_i(k-1)\geq 0$ $\hat{\bar{r} }_i(k)-\hat{\bar{r} }_i(k-1) < 0$ $\bar{r}_i(k)-\bar{r}_i(k-1)\geq 0$ ${TP}_i(k)=1$ ${FP}_i(k)=1$ $\bar{r}_i(k)-\bar{r}_i(k-1)< 0$ ${FN}_i(k)=1$ ${TN}_i(k)=1$ $ k $时刻在线深度学习预报模型的预报误差$ |\Delta\bar{r}_i(k)|\geq \delta_i $ ($ \delta_i $为预报误差上界), 自校正深度学习预报模型的预报误差$ |\Delta\bar{r}_i(k)|< \delta_i $, 且在线深度学习预报模型的上升趋势和下降趋势预报准确率均小于自校正深度学习预报模型的上升趋势和下降趋势预报准确率, 采用自校正深度学习预报模型的全部权值参数和偏置参数校正在线深度学习预报模型的全部权值参数和偏置参数.
3.3 需量多步智能预报算法
由式(15)可得需量多步预报模型为
$$ \begin{split} \hat{\bar{P}}(k+n) =\; &{\bar{P}_S(k)}-\frac{1}{30}AP(k+n-30)\;+\\ &\frac{1}{30}A\hat{\Theta}^{\rm{T}}\varphi^{\rm{T}}(k)+ \frac{1}{30}A\hat{\bar{R}}(k+n) \end{split} $$ (27) 其中,
$$ \begin{split} \hat{\bar{P}}(k+n) =\;& (\hat{\bar{p}}_1(k+1), \cdots, \hat{\bar{p}}_i(k+i), \cdots,\\ &\hat{\bar{p}}_n(k+n))^{\rm{T}}\\ \hat{\bar{R}}(k+n) =\;&(\hat{\bar{r}}_1(k+1), \cdots, \hat{\bar{r}}_i(k+i), \cdots,\\ &\hat{\bar{r}}_n(k+n))^{\rm{T}} \end{split} $$ 端边云协同的需量多步智能预报算法:
1)端−需量监控系统实时采集电熔镁砂生产过程中的群炉功率$ p(k) $与需量$ \bar{p}(k) $;
2) 边−需量预报计算机执行数据处理和需量在线多步预报模型. 在线计算$ \hat{\Theta}^{\rm{T}}\varphi^{\rm{T}}(k) $, 由式(14)计算$ \hat{\bar{R}}(k+n) $. 采用窗口长度为$ N $的输入输出数据由$ \bar{R}(k+n) $的在线深度学习多步预报模型得其预报值$ \hat{\bar{R}}(k+n) $, 由需量多步预报模型式(27)得需量多步预报值$ \hat{\bar{P}}(k+n) $;
3)云−数据服务器和人工智能计算平台采用$ k $时刻以及以前所有时刻的输入输出数据和$ \bar{R}(k+n) $的自校正深度学习多步预报模型得其预报值$ \hat{\bar{R}}(k+ n) $. 采用自校正机制的三项指标式(24) ~ (26), 当$ \bar{R}(k+n) $的在线深度学习多步预报模型的预报误差超过预报精度上界时, 采用自校正深度学习多步预报模型的权值参数和偏置参数校正在线深度学习多步预报模型的权值参数和偏置参数.
4. 实验结果
采用某电熔镁砂生产企业的实际功率和需量数据进行了本文提出的需量多步智能预报方法的实验, 并与文献[9]提出的基于支持向量机、极限学习机和循环神经网络的用电需量多步预报方法进行了对比实验.
采用30个炉次的150000组功率数据离线确定$ \bar{r}(k+i) $的深度学习预报模型结构, 神经元个数$ t = 25 $、神经元的节点个数$ \bar{h} = 200 $、隐藏层数$ L = 3 $. 校正算法中的式(17)、式(18)、式(21)和式(22)中的学习率为$ \alpha = 0.1 $, 在线训练数据窗口长度$ N = 2\,000 $. 自校正机制中的预报误差上界$ \delta_i = 100 $.
由于发生需量尖峰的整个时间小于70秒, 而需量的采样周期为7秒, 因此选择需量预报步数$ i = 1, \cdots, 10 $. 采用线性模型参数辨识方程式(11)得模型参数$ \hat{\Theta} $为
$$ \begin{split} &{{{\hat{\boldsymbol{\theta}} }}^{1}} = {{\left( {0}{.140, 0}{.075, -0}{.157, 0}{.869} \right)}^{\rm T}}\\ & {{{\hat{\boldsymbol{\theta}} }}^{2}} = {{\left( {0}{.201, 0}{.135, -0}{.042, 0}{.587} \right)}^{\rm T}} \\ & {{{\hat{\boldsymbol{\theta}} }}^{3}} = {{\left( {0}{.204, 0}{.146, 0}{.061, 0}{.431} \right)}^{\rm T}}\\ &{{{\hat{\boldsymbol{\theta}} }}^{4}} = {{\left( {0}{.201, 0}{.109, 0}{.103, 0}{.411} \right)}^{\rm T}} \\ & {{{\hat{\boldsymbol{\theta}} }}^{5}} = {{\left( {0}{.203, 0}{.103, 0}{.068, 0}{.427} \right)}^{\rm T}}\\ &{{{\hat{\boldsymbol{\theta}} }}^{6}} = {{\left( {0}{.207, 0}{.103, 0}{.063, 0}{.409} \right)}^{\rm T}} \\ & {{{\hat{\boldsymbol{\theta}} }}^{7}} = {{\left( {0}{.208 , 0}{.103 , 0}{.066, 0}{.389} \right)}^{\rm T}} \\ &{{{\hat{\boldsymbol{\theta}} }}^{8}} = {{\left( {0}{.204, 0}{.103, 0}{.069, 0}{.374} \right)}^{\rm T}}\\ &{{{\hat{\boldsymbol{\theta}} }}^{9}} = {{\left( {0}{.203, 0}{.097, 0}{.071, 0}{.364} \right)}^{\rm T}}\\ &{{{\hat{\boldsymbol{\theta}} }}^{10}} = {{\left( {0}{.202, 0}{.095, 0}{.067, 0}{.358} \right)}^{\rm T}}\end{split} $$ 采用上述30个炉次的150000组需量数据离线建立文献[9]的用电需量多步预报模型:
$$ \begin{split} \hat{\bar{p}}(k+i) =\; &{{W}_{1}}{{\hat{\bar{p}}}_{svm}}(k+i)+{{W}_{2}}{{\hat{\bar{p}}}_{elm}}(k+i)\;+\\ &{{W}_{3}}{{\hat{\bar{p}}}_{rnn}}(k+i) \end{split} $$ 其中, $ \hat{\bar{p}}_{svm}, \hat{\bar{p}}_{elm}, \hat{\bar{p}}_{rnn} $分别为支持向量机、极限学习机和循环神经网络的输出, 上述模型的阶次$ t = 25 $, 支持向量机中径向基函数的期望为150、方差为0.08, 循环神经网络的每层节点数为$ \bar{h} = 150 $, 隐藏层数为$ L = 2 $, 权参数$W_1 = 0.16, W_2 = 0.34, W_3 = 0.71$.
采用实时采集的70个炉次的350000组的需量与功率数据对本文所提需量多步预报算法与文献[9]多步预报算法进行了预报步数$ i = 1, \cdots, 10 $的对比实验. 采用文献[23]的均方根误差(Root mean square error, RMSE)式(28), 文献[24]的拟合优度$ R^2 $式(29), 文献[17]的平均绝对百分比误差(Mean absolute percentage error, MAPE)式(30), 需量第$ i $步预报的上升趋势预报准确率$ {TPR}_i $式(25)和下降趋势预报准确率$ { TNR}_i $式(26)指标对本文所提需量多步预报算法和文献[9]多步预报算法的实验结果进行评估. 实验结果见表2.
表 2 需量预报精度对比Table 2 Precision comparison of demand forecast预报步数$i$ 1 2 3 4 5 6 7 8 9 10 $R^2_i\;(\%)$ 本文 99.96 99.62 99.59 99.47 99.39 99.31 98.99 98.51 98.03 97.95 文献[9] 90.34 90.05 89.77 89.54 88.73 88.48 88.01 87.76 87.33 86.94 ${{RMSE} }_i$ 本文 9.93 11.06 11.99 13.03 13.89 14.73 16.05 16.83 17.93 18.78 文献[9] 24.92 30.01 34.49 39.99 44.79 50.23 54.93 60.05 65.32 70.64 ${{MAPE} }_i\;(\%)$ 本文 0.04 0.05 0.05 0.06 0.06 0.07 0.07 0.08 0.08 0.08 文献[9] 0.11 0.13 0.15 0.18 0.20 0.22 0.24 0.27 0.29 0.32 $TPR_i\;(\%)$ 本文 94.88 93.21 92.19 91.42 90.17 89.77 88.21 90.05 91.55 89.66 文献[9] 86.12 82.11 80.05 80.11 78.94 79.33 79.11 77.06 80.15 79.02 $TNR_i\;(\%)$ 本文 93.22 94.67 92.19 92.01 94.21 93.18 90.96 89.99 88.12 90.01 文献[9] 81.12 80.04 80.67 83.72 79.99 80.15 77.56 86.77 80.15 76.91 $$ {{RMSE}}_i = \sqrt{\frac{1}{N_t}\sum\limits_{k = 1}^{N_t} \left( \bar{p}(k)-\hat{\bar{p}}_i(k)\right)^2} $$ (28) $$ { R}_i^2 = \frac{\sum\limits_{k = 1}\limits^{N_t}\left( \hat{\bar{p}}_i(k)-{\tilde{p}}_i\right)^2 }{\sum\limits_{k = 1}\limits^{N_t}\left(\bar{p}_i(k)-\tilde{p}_i \right)^2 }\times 100{\text{%}} $$ (29) 其中, $ \tilde{p}_i = \frac{1}{N_t}\sum_{k = 1}^{N_t} \bar{p}(k+i-1) $.
$$ {{MAPE}}_i = \frac{1}{N_t}\sum\limits_{k = 1}^{N_t}\left|\frac{\bar{p}(k)-\hat{\bar{p}}_i(k)}{\bar{p}(k)}\right|\times 100{\text{%}} $$ (30) 为了能清楚地对比实验结果, 采用图4 ~ 图6表示从在线的350000组数据的实验结果中随机抽取100组$ i = 1, 5, 10 $步需量预报结果, 虚线为本文需量预报结果, 实线为文献[9]需量预报结果, 点线为需量真实值. 可以看出本文需量预报方法与文献[9]方法相比, 预报精度明显提高.
从表2可以看出, 本文的方法与文献[9]方法的$ i = 1, 5, 10 $步预报结果相比, $ R^2 $提高$ 11.01{\text{%}} $, $ {{RMSE}}_i $降低51.86, $ {{MAPE}}_i $降低$ 0.24{\text{%}} $, 上升趋势$ { TPR}_i $提高$ 10.23{\text{%}} $, 下降趋势$ { TNR}_i $提高$ 14.22{\text{%}} $. 对比实验结果表明本文方法比文献[9]方法的需量多步预报精度和需量变化趋势的预报精度明显提高.
5. 结论
本文通过电熔镁砂生产过程熔化电流闭环控制系统方程建立需量动态模型, 在此基础上建立了由线性模型和未知非线性动态系统组成的需量多步预报模型, 采用文献[18]方法建立了未知非线性动态系统的自适应深度学习多步预报模型, 在此基础上提出了端边云协同的电熔镁砂生产过程需量多步智能预报方法. 采用70个炉次的电熔镁砂生产过程的实际数据的实验结果表明本文的方法与文献[9]方法的$ i = 1, 5, 10 $ 步预报结果相比, $ R^2 $提高$ 11.01{\text{%}} $, $ {{RMSE}}_i $降低51.86, $ {{MAPE}}_i $降低$ 0.24{\text{%}} $, 上升趋势$ { TPR}_i $提高$ 10.23{\text{%}} $, 下降趋势$ { TNR}_i $提高$ 14.22{\text{%}} $, 验证了本文所提的预报方法可以准确预报需量的变化趋势, 为实现需量尖峰的准确预报和控制创造了条件.
-
图 6 网络收敛曲线( “train loss” 是训练损失收敛曲线, “val loss” 是验证损失曲线)
Fig. 6 Network convergence curves ( “train loss” is the training loss convergence curve; “val loss” is the validation loss curve)
图 7 在Set5测试数据集上, 2个测试图像×4超分辨率结果对比
Fig. 7 A comparison of super-resolution results of two test images in Set5 for scale factor ×4
图 8 在Set14测试数据集上, 2个测试图像×4超分辨率结果对比
Fig. 8 A comparison of super-resolution results of two test images in Set14 for scale factor ×4
图 9 在BSD100测试数据集上, 2个测试图像×4超分辨率结果对比
Fig. 9 A comparison of super-resolution results of two test images in BSD100 for scale factor ×4
图 10 在BSD100测试数据集上, 2个测试图像×8超分辨率结果对比
Fig. 10 A comparison of super-resolution results of two test images in BSD100 for scale factor ×8
图 11 6个基于深度CNN的方法, 在BSD100数据集上×4超分辨率的平均PSNR和参数量对比
Fig. 11 Number of parameters and average PSNR of six methods based on depth CNN, on the BSD100 for scale factor ×4
图 12 6个基于深度CNN的方法, 在BSD100数据集上×4超分辨率的平均运行时间对比
Fig. 12 A comparison of running times of six methods based on depth CNN, on the BSD100 for scale factor ×4
表 1 每一级超分辨率子网络的参数设置
Table 1 Parameter setting of each level of super-resolution sub-network
网络组件名称 组件内容及
滤波器尺寸输入尺寸 输出尺寸 维度转换层 Conv 3×3 H×W×3 H×W×64 递归卷积块×5 Conv 3×3 H×W×64 H×W×64 LReLU H×W×64 H×W×64 多通道特征融合层×8 Conv 1×1 H×W×64 H×W×64 全局特征融合层 Conv 1×1 H×W×512 H×W×64 Conv 1×1 H×W×64 H×W×64 特征注意网络 MaxPool 7×7 H×W×64 H×W×64 Conv 3×3 H×W×64 H×W×32 LReLU H×W×32 H×W×32 Conv 3×3 H×W×32 H×W×32 LReLU H×W×32 H×W×32 Conv 3×3 H×W×32 H×W×64 特征上采样层 ConvT 4×4 H×W×64 2H×2W×64 Conv 3×3 2H×2W×64 2H×2W×3 LR图像上采样层 ConvT 4×4 H×W×3 2H×2W×3 
下载: 导出CSV
表 2 不同变种的网络模型×4超分辨率, 在Set5、Set14数据集上的平均峰值信噪比(dB)及参数量
Table 2 Average PSNR (dB) and number of parameters of different super-resolution network models for scale factor ×4, on Set5 and Set14 datasets
特征融合
子网络特征注意
子网络递归结构 参数量 (k) Set5 Set14 × × × 1 566 31.55 28.21 × × √ 222 31.54 28.21 × √ √ 232 31.65 28.27 √ × √ 274 31.79 28.33 √ √ × 1 628 31.83 28.38 √ √ √ 284 31.85 28.39
下载: 导出CSV
表 3 在Set5、Set14和BSD100测试数据集上, 各种超分辨率方法的 ×2、×4和 ×8超分辨率的平均 PSNR (dB)和SSIM
Table 3 Average PSNR (dB)/SSIMs of various SISR methods for scale factor ×2, ×4, and ×8 on Set5, Set14 and BSD100
测试集 放大倍数 Bicubic[28]
PSRN/SSIMSelfEx[29]
PSRN/SSIMSRCNN[8]
PSRN/SSIMLapSRN[12]
PSRN/SSIMVDSR[10]
PSRN/SSIMDRRN[11]
PSRN/SSIMMsLapSRN[13]
PSRN/SSIM本文方法
PSRN/SSIMSet5 2 33.66/0.929 36.49/0.953 36.66/0.954 37.52/0.959 37.53/0.959 37.74/0.959 37.78/0.960 37.91/0.969 Set14 2 30.24/0.868 32.22/0.903 32.42/0.906 33.08/0.913 33.05/0.913 33.23/0.914 33.28/0.915 33.42/0.925 BSD100 2 29.56/0.841 31.18/0.885 31.36/0.887 31.80/0.895 31.90/0.896 32.05/0.897 32.05/0.898 32.19/0.904 Set5 4 28.42/0.810 30.31/0.861 30.48/0.862 31.54/0.885 31.35/0.883 31.68/0.888 31.74/0.889 31.85/0.908 Set14 4 26.00/0.702 27.40/0.751 27.49/0.753 28.19/0.772 28.02/0.768 28.21/0.772 28.26/0.774 28.39/0.789 BSD100 4 25.96/0.667 26.84/0.710 26.90/0.711 27.29/0.727 27.32/0.726 27.38/0.728 27.43/0.731 27.50/0.748 Set5 8 24.40/0.658 25.49/0.703 25.33/0.690 26.15/0.738 25.93/0.724 26.18/0.738 26.34/0.752 26.40/0.755 Set14 8 23.10/0.566 23.92/0.601 23.76/0.591 24.35/0.620 24.26/0.614 24.42/0.622 24.57/0.629 24.60/0.631 BSD100 8 23.67/0.548 24.19/0.568 24.13/0.566 24.54/0.586 24.49/0.583 24.59/0.587 24.65/0.591 24.72/0.602
下载: 导出CSV
-
[1] Oktay O, Bai W J, Lee M, Guerrero R, Kamnitsas K, Caballero J, et al. Multi-input cardiac image super-resolution using convolutional neural networks. In: Proceedings of the 19th International Conference on Medical Image Computing and Computer-assisted Intervention. Athens, Greece: Springer, 2016. 246−254 [2] Luo Y M, Zhou L G, Wang S, Wang Z Y. Video satellite imagery super resolution via convolutional neural networks. IEEE Geoscience and Remote Sensing Letters, 2017, 14(12): 2398-2402 doi: 10.1109/LGRS.2017.2766204 [3] Rasti P, Uiboupin T, Escalera S, Anbarjafari G. Convolutional neural network super resolution for face recognition in surveillance monitoring. In: Proceedings of the 9th International Conference on Articulated Motion and Deformable Objects. Palma de Mallorca, Spain: Springer, 2016. 175−184 [4] Harris J L. Diffraction and resolving power. Journal of the Optical Society of America, 1964, 54(7): 931-936 doi: 10.1364/JOSA.54.000931 [5] 陆志芳, 钟宝江. 基于预测梯度的图像插值算法. 自动化学报, 2018, 44(6): 1072-1085 doi: 10.16383/j.aas.2017.c160793Lu Zhi-Fang, Zhong Bao-Jiang. Image interpolation with predicted gradients. Acta Automatica Sinica, 2018, 44(6): 1072-1085 doi: 10.16383/j.aas.2017.c160793 [6] 熊娇娇, 卢红阳, 张明辉, 刘且根. 基于梯度域的卷积稀疏编码磁共振成像重建. 自动化学报, 2017, 43(10): 1841-1849 doi: 10.16383/j.aas.2017.e160135Xiong Jiao-Jiao, Lu Hong-Yang, Zhang Ming-Hui, Liu Qie-Gen. Convolutional sparse coding in gradient domain for MRI reconstruction. Acta Automatica Sinica, 2017, 43(10): 1841-1849 doi: 10.16383/j.aas.2017.e160135 [7] 孙京, 袁强强, 李冀玮, 周春平, 沈焕锋. 亮度—梯度联合约束的车牌图像超分辨率重建. 中国图象图形学报, 2018, 23(6): 802-813 doi: 10.11834/jig.170489Sun Jing, Yuan Qiang-Qiang, Li Ji-Wei, Zhou Chun-Ping, Shen Huan-Feng. License plate image super-resolution based on intensity-gradient prior combination. Journal of Image and Graphics, 2018, 23(6): 802-813 doi: 10.11834/jig.170489 [8] Dong C, Loy C C, He K M, Tang X O. Learning a deep convolutional network for image super-resolution. In: Proceedings of the 13th European Conference on Computer Vision (ECCV). Zurich, Switzerland: Springer, 2014. 184−199 [9] Dong C, Loy C C, Tang X O. Accelerating the super-resolution convolutional neural network. In: Proceedings of the 14th European Conference on Computer Vision (ECCV). Amsterdam, the Netherlands: Springer, 2016. 391−407 [10] Kim J, Lee J K, Lee K M. Accurate image super-resolution using very deep convolutional networks. In: Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas, USA: IEEE, 2016. 1646−1654 [11] Tai Y, Yang J, Liu X M. Image super-resolution via deep recursive residual network. In: Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Honolulu, USA: IEEE, 2017. 2790−2798 [12] Lai W S, Huang J B, Ahuja N, Yang M H. Deep Laplacian pyramid networks for fast and accurate super-resolution. In: Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Honolulu, USA: IEEE, 2017. 5835−5843 [13] Lai W S, Huang J B, Ahuja N, Yang M H. Fast and accurate image super-resolution with deep laplacian pyramid networks. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2019, 41(11): 2599-2613 doi: 10.1109/TPAMI.2018.2865304 [14] He K M, Zhang X Y, Ren S Q, Sun J. Deep residual learning for image recognition. In: Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas, USA: IEEE, 2016. 770−778 [15] Koch C, Ullman S. Shifts in selective visual attention: Towards the underlying neural circuitry. Matters of Intelligence: Conceptual Structures in Cognitive Neuroscience. Dordrecht: Springer, 1987. 115−141 [16] Mnih V, Heess N, Graves A, Kavukcuoglu K. Recurrent models of visual attention. In: Proceedings of the 27th International Conference on Neural Information Processing Systems. Montreal, Canada: MIT Press, 2014. 2204−2212 [17] Wang F, Jiang M Q, Qian C, Yang S, Li C, Zhang H G, et al. Residual attention network for image classification. In: Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Honolulu, USA: IEEE, 2017. 6450−6458 [18] Zhang Q S, Wu Y N, Zhu S C. Interpretable convolutional neural networks. In: Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City, USA: IEEE, 2017. 8827−8836 [19] Zhang Y L, Li K P, Li K, Wang L C, Zhong B N, Fu Y. Image super-resolution using very deep residual channel attention networks. In: Proceedings of the 15th European Conference on Computer Vision (ECCV). Munich, Germany: Springer, 2018. 294−310 [20] Yang J C, Wright J, Huang T S, Ma Y. Image super-resolution via sparse representation. IEEE Transactions on Image Processing, 2010, 19(11): 2861-2873 doi: 10.1109/TIP.2010.2050625 [21] Martin D, Fowlkes C, Tal D, Malik J. A database of human segmented natural images and its application to evaluating segmentation algorithms and measuring ecological statistics. In: Proceedings of the 8th IEEE International Conference on Computer Vision. Vancouver, Canada: IEEE, 2002. 416−423 [22] Bevilacqua M, Roumy A, Guillemot C, Morel M L M. Neighbor embedding based single-image super-resolution using semi-nonnegative matrix factorization. In: Proceedings of the 2012 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). Kyoto, Japan: IEEE, 2012. 1289−1292 [23] Zeyde R, Elad M, Protter M. On single image scale-up using sparse-representations. In: Proceedings of the 7th International Conference on Curves and Surfaces. Avignon, France: Springer, 2010. 711−730 [24] Arbeláez P, Maire M, Fowlkes C, Malik J. Contour detection and hierarchical image segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, 33(5): 898-916 doi: 10.1109/TPAMI.2010.161 [25] Timofte R, Agustsson E, van Gool L, Yang M H, Zhang L, Lim B, et al. NTIRE 2017 challenge on single image super-resolution: Methods and results. In: Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). Honolulu, USA: IEEE, 2017. 1110−1121 [26] Kingma D P, Ba J. Adam: A method for stochastic optimization. In: Proceedings of the 3rd International Conference on Learning Representations (ICLR). San Diego, USA, 2015. [27] He K M, Zhang X Y, Ren S Q, Sun J. Delving deep into rectifiers: Surpassing human-level performance on ImageNet classification. In: Proceedings of the 2015 IEEE International Conference on Computer Vision (ICCV). Santiago, Chile: IEEE, 2015. 1026−1034 [28] Wang Z, Bovik A C, Sheikh H R, Simoncelli E P. Image quality assessment: From error visibility to structural similarity. IEEE Transactions on Image Processing, 2004, 13(4): 600-612 doi: 10.1109/TIP.2003.819861 [29] Keys R G. Cubic convolution interpolation for digital image processing. IEEE Transactions on Acoustics, Speech, and Signal Processing, 1981, 29(6): 1153-1160 doi: 10.1109/TASSP.1981.1163711 [30] Huang J B, Singh A, Ahuja N. Single image super-resolution from transformed self-exemplars. In: Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Boston, USA: IEEE, 2015. 5197−5206 期刊类型引用(7)
1. 张喜铭，徐欢，杨秋勇，高伟，张睿喆. 考虑电力系统数据治理智能化的数据库生成方法研究. 制造业自动化. 2024(02): 160-165+171 . 
百度学术2. 祝健杨，辛明勇，代奇迹. 基于深度神经网络的数字电网边缘侧数据迁移. 电子设计工程. 2024(08): 55-58+63 . 百度学术3. 张福胜，张扬，薛志胜，彭驰. 基于物联网的煤矿井下机电设备状态智能监测. 机械与电子. 2024(04): 45-49 . 百度学术4. 于秋玲，梁锦照，陈康平. 基于云边协同的交直流混联电网线路过负荷协调控制方法. 沈阳工业大学学报. 2024(03): 241-247 . 百度学术5. 陈琳，赵冬，尹建兵，王明昶，徐航. QoS数据不确定性下电力业务服务自适应选取模型. 电子设计工程. 2024(13): 131-134+139 . 百度学术6. 李远征，任潇，葛磊蛟，彭靖轩，徐秋实，李曦. 基于可逆固体氧化物电池的电氢耦合微电网全生命周期规划-运营研究. 中国电机工程学报. 2024(13): 5169-5185 . 百度学术7. 金义，宋永春，马路遥，曹雨，宋树，贺琳. 高维时序空间大数据关联特征精准挖掘算法. 电子设计工程. 2024(16): 161-165 . 百度学术其他类型引用(3)
-
下载:
计量
- 文章访问数: 920
- HTML全文浏览量: 372
- PDF下载量: 315
- 被引次数: 10
