针对光纤布拉格光栅(FBG)传感网络中重叠光谱的中心波长解调问题,提出一种基于门控循环单元(GRU)网络的波长检测方法。该方法将FBG重叠光谱的波长解调问题转换为模型回归问题,同时考虑到光谱数据的序列特征和频谱特性,采用GRU网络实现对光谱数据的特征学习,训练得到相应的波长检测模型,从而实现对重叠光谱的精确快速解调。经实验验证,所提方法能够解决FBG传感网络光谱部分重叠或完全重叠条件下的中心波长的精确解调问题,其方均根小于1 pm的测试结果占总数的88.2%。相比现有的解调方式,所提方法在检测精度和稳定性上均有一定的提升,为提高FBG传感网络的复用能力提供了新的途径。
2021-11-09 20:54:04
5.74MB
1
使用频谱门控降低python中的噪声
该算法基于的一种降噪效果（但并非完全再现）（）
该算法有两个输入：
包含音频剪辑的典型的噪声的噪声的音频剪辑（可选）
包含要删除的信号和噪声的信号音频片段
算法步骤
在噪声音频片段上计算FFT
统计信息是通过噪声的FFT计算得出的（频率）
基于噪声的统计信息（和算法的期望灵敏度）计算阈值
通过信号计算FFT
通过将信号FFT与阈值进行比较来确定掩码
使用滤镜在频率和时间上对蒙版进行平滑处理
掩码被叠加到信号的FFT中，并被反转
安装
pip install noisereduce
noisereduce可以选择使用Tensorflow作为后端来加快FFT和高斯卷积。 它未在requirements.txt中列出，因为（1）它是可选的，并且（2）tensorflow-gpu和tensorflow（cpu）都与此软件包兼容。 该软件包需要所有
2021-09-27 11:09:55
5.41MB
1
随着新能源的不断发展，大量大容量风电机组并入电网运行，给电网的安全可靠运行以及风力发电的可持续发展都提出了新的挑战。提出一种风功率预测模型，该模型以风电场风功率历史数据以及风速、风向等数值天气预报数据作为输入对风功率进行预测。考虑到风功率预测中输入数据的波动性和不确定性，在传统门控循环单元(GRU)神经网络的基础上融合卷积神经网络(CNN)，以提高模型对原始数据的特征提取和降维能力，并引入dropout技术减少模型中的过拟合现象。工程实例分析表明，所提模型在预测准确度和运算速度方面均优于长短记忆神经网络模型。
2021-09-23 15:09:44
2.22MB
1
行业分类-物理装置-一种基于双向门控神经网络的乌兹别克语词干提取方法.zip
2021-09-03 09:05:58
456KB
这是使用 PixelCNN 解码器生成条件图像的 Tensorflow 实现，其引入了最初在像素周期性神经网络中提及的基于 PixelCNN 架构的门控 PixelCNN 模型。该模型可以基于标签或图像的潜在表示来相应地生成图像。图像也可以无条件地建模。它也可以作为一个强大的解码器，并可以在自动编码器和 GANs 中取代反卷积（转置卷积）。这篇文章的详细摘要可以在这里找到。示例：架构：这是模型中使用的 Gated PixelCNN 的架构：
标签：Conditional
2021-09-01 23:48:14
2.54MB
1