电力工业论文_基于一维卷积神经网络多任务学习 - 电测与仪表杂志社投稿

一、本刊要求作者有严谨的学风和朴实的文风，提倡互相尊重和自由讨论。凡采用他人学说，必须加注说明。二、不要超过10000字为宜，精粹的短篇，尤为欢迎。三、请作者将稿件（用WORD格式）发送到下面给出的征文信箱中。四、凡来稿请作者自留底稿，恕不退稿。五、为规范排版，请作者在上传修改稿时严格按以下要求： 1．论文要求有题名、摘要、关键词、作者姓名、作者工作单位（名称，省市邮编）等内容一份。 2．基金项目和作者简介按下列格式：基金项目：项目名称（编号）作者简介：姓名（出生年－），性别，民族（汉族可省略），籍贯，职称，学位，研究方向。 3．文章一般有引言部分和正文部分，正文部分用阿拉伯数字分级编号法，一般用两级。插图下方应注明图序和图名。表格应采用三线表，表格上方应注明表序和表名。 4．参考文献列出的一般应限于作者直接阅读过的、最主要的、发表在正式出版物上的文献。其他相关注释可用脚注在当页标注。参考文献的著录应执行国家标准GB7714-87的规定，采用顺序编码制。

电力工业论文_基于一维卷积神经网络多任务学习

作者:

关键词:

摘要：

文章摘要:传统电能质量识别需要先用信号处理技术提取信号特征，且已有的多分类和多标签分类建模方式没有很好地反映多重扰动和单扰动之间的标签关联性，使得复合扰动分类的鲁棒性和抗噪性能不理想。针对这些问题，提出了一种基于多任务学习的一维卷积神经网络模型来识别各种电能质量扰动。此结构去除了传统方法的信号特征提取阶段，将扰动分类任务分成四个子任务，设计了相应的标签编码方案，最后输出一个10维标签向量完成多任务分类。仿真结果表明，该方法在不同信噪比时均具有较好的识别准确率，表明此模型具有较强的鲁棒性和抗噪声能力。同时，多任务分类相比One-hot多分类和多标签分类准确率更高，表明了该建模方式的有效性。

文章关键词:

论文分类号:TP183;TM711

文章来源：《电测与仪表》网址: http://www.dcyybzz.cn/qikandaodu/2021/1217/491.html