一种基于图卷积创新的电场强度监测模型,原创未发表!!!

声明:文章是从本人公众号中复制而来,因此,想最新最快了解各类算法的家人,可关注我的VX公众号:python算法小当家,不定期会有很多免费代码分享~

一种基于图卷积创新的电场强度监测模型,原创未发表!!!

电场强度监测是电力系统安全运行的重要环节,传统方法往往难以同时处理复杂的时空特征。本期推出一种创新的电场强度监测模型,通过图卷积神经网络与GRU的结合,实现对电场强度数据的高效处理和准确预测。GCN能有效的提取时空特征,以知网为例,目前还没有将这一模型应用到该领域。此外,该模型也能满足其他类型的研究数据,替换数据十分便捷!!!


Python代码获取见文末

GCN原理介绍

图卷积神经网络(Graph Convolutional Network, GCN)是一种适用于图结构数据的神经网络模型,广泛应用于社交网络分析、推荐系统等领域。下面简要介绍GCN的数学原理和公式。

1. 基本概念
  • $G = (V, E) $由节点集合 $V $和边集合 $ E $ 组成。
  • 邻接矩阵 $ A :表示图中节点的连接关系, :表示图中节点的连接关系, :表示图中节点的连接关系,A_{ij}$ 表示节点 $ i $和节点 $ j$ 之间的连接。
  • 节点特征矩阵 $ X $):每个节点的特征向量,矩阵 $ X \in \mathbb{R}^{N \times F} ,其中 ,其中 ,其中 N $ 是节点数,$ F$ 是特征维度。
2. 图卷积操作

GCN的核心是将卷积操作应用到图结构上,通过邻接矩阵传播节点信息。图卷积层的计算公式为:

H ( l + 1 ) = σ ( A ^ H ( l ) W ( l ) ) H^{(l+1)} = \sigma (\hat{A} H^{(l)} W^{(l)}) H(l+1)=σ(A^H(l)W(l))

其中:

  • $ H^{(l)} $:第 $ l$ 层的节点特征矩阵,$ H^{(0)} = X $。
  • $\hat{A} = \tilde{D}^{-1/2} \tilde{A} \tilde{D}^{-1/2} :对称归一化的邻接矩阵, :对称归一化的邻接矩阵, :对称归一化的邻接矩阵, \tilde{A} = A + I $ 是加入自环的邻接矩阵,$ \tilde{D} $ 是 $ \tilde{A}$ 的度矩阵。
  • $ W^{(l)} :第 :第 :第 l$层的权重矩阵。
  • $ \sigma $:激活函数(例如ReLU)。
3. 对称归一化邻接矩阵

对称归一化的邻接矩阵$ \hat{A} $ 计算如下:

A ^ = D ~ − 1 / 2 A ~ D ~ − 1 / 2 \hat{A} = \tilde{D}^{-1/2} \tilde{A} \tilde{D}^{-1/2} A^=D~1/2A~D~1/2

4. 多层图卷积网络

GCN通常由多层图卷积层堆叠而成,逐层提取更高层次的节点特征表示。最终节点特征表示为:

Z = H ( L ) Z = H^{(L)} Z=H(L)

5. 损失函数

在节点分类任务中,通常使用交叉熵损失函数:

L = − ∑ i ∈ Y ∑ c = 1 C Y i c log ⁡ ( Z i c ) \mathcal{L} = - \sum_{i \in \mathcal{Y}} \sum_{c=1}^C Y_{ic} \log(Z_{ic}) L=iYc=1CYiclog(Zic)

其中,$ \mathcal{Y} 是有标签的节点集合, 是有标签的节点集合, 是有标签的节点集合, Y $ 是真实标签矩阵,$Z $ 是预测的节点标签概率矩阵。

通过上述公式和原理的详细说明,可以清晰地展示GCN在图数据处理中的优势和应用潜力。这为基于图卷积创新的电场强度监测模型提供了理论基础和技术支持。

数据预处理

数据集包括电场强度(场强KV/m)、平均场强(平均场强KV/m)和预警级别等特征。为了处理这些数据,我们进行了以下步骤:
读取Excel文件并提取相关列。
将数据分割为训练集和测试集。
生成长度为10的时间序列数据。

# 数据预处理
data_x, data_y = data_process('data.xlsx')
# 数据集划分
x_train, x_test, y_train, y_test = train_test_split(np.array(data_x), np.array(data_y), test_size=0.2, random_state=1)
# 转换为Tensor
x_train_tensor = torch.tensor(x_train, dtype=torch.float32)
y_train_tensor = torch.tensor(y_train, dtype=torch.long)
x_test_tensor = torch.tensor(x_test, dtype=torch.float32)
y_test_tensor = torch.tensor(y_test, dtype=torch.long)
# 创建数据加载器
train_dataset = TensorDataset(x_train_tensor, y_train_tensor)
test_dataset = TensorDataset(x_test_tensor, y_test_tensor)
train_dataloader = DataLoader(train_dataset, batch_size=256, shuffle=True)
test_dataloader = DataLoader(test_dataset, batch_size=256, shuffle=True)

实验展示

实验环境配置要求:Pytorch框架

python3.9
torch                     2.2.2
torch-geometric           2.5.3
torchaudio                0.7.0
torchinfo                 1.8.0
torchsummary              1.5.1
torchtext                 0.17.2
torchvision               0.8.1+cpu
numpy                     1.23.0

实验结果可视化如下图,由图可知:

  • 模型训练效果良好:训练和验证的准确率与损失值曲线表明模型在训练和验证数据上均表现出色,未出现过拟合或欠拟合现象。
  • 分类性能优异:混淆矩阵和对比柱状图显示了模型在各类别上的高准确率,分类效果非常好。
  • 预测准确性高:真实值与预测值对比散点图进一步验证了模型的高准确率,模型在测试集上的预测结果与真实值高度一致。

总结

GCN通过在图结构上进行卷积操作,充分利用节点的邻接关系和特征信息,能够有效提取图数据的时空特征。本文提出的基于GCN和GRU的电场强度监测模型,结合GCN的空间特征提取和GRU的时间序列处理,实现了电场强度数据的高效监测和准确预测。所以请大家放心入手

代码获取

关注VX公众号 Python算法小当家 后台回复关键词:GCN-GRU

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/355418.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

环境配置02:CUDA安装

1. CUDA安装 Nvidia官网下载对应版本CUDA Toolkit CUDA Toolkit 12.1 Downloads | NVIDIA Developer CUDA Toolkit 12.5 Downloads | NVIDIA Developer 安装配置步骤参考:配置显卡cuda与配置pytorch - 知乎 (zhihu.com) 2. 根据CUDA版本,安装cudnn …

内容安全复习 2 - 网络信息内容的获取与表示

文章目录 信息内容的获取网络信息内容的类型网络媒体信息获取方法 信息内容的表示视觉信息视觉特征表达文本特征表达音频特征表达 信息内容的获取 网络信息内容的类型 网络媒体信息 传统意义上的互联网网站公开发布信息,网络用户通常可以基于网络浏览器获得。网络…

mysql8.0找不到my.ini

报错问题解释: MySQL 8.0 在Windows系统中通常不需要 my.ini 文件,因为安装程序会在 %PROGRAMDATA%\MySQL\MySQL Server 8.0\ (通常是 C:\ProgramData\MySQL\MySQL Server 8.0\)创建默认的配置文件。如果你的系统中找不到 my.ini…

ArcGIS查找相同图斑、删除重复图斑

​ 点击下方全系列课程学习 点击学习—>ArcGIS全系列实战视频教程——9个单一课程组合系列直播回放 点击学习——>遥感影像综合处理4大遥感软件ArcGISENVIErdaseCognition 这次是上次 今天分享一下,很重要却被大家忽略的两个工具 这两个工具不仅可以找出属性…

解决电脑关机难题:电脑关不了机的原因以及方法

在使用电脑的日常生活中,有时会遇到一些烦人的问题,其中之一就是电脑关不了机。当您尝试关闭电脑时,它可能会停留在某个界面,或者根本不响应关机指令。这种情况不仅令人困惑,还可能导致数据丢失或系统损坏。 在本文中…

编译xlnt开源库源码, 使用c++读写excel文件

编译xlnt开源库源码,在linux平台使用c读写excel文件 下载xnlt源码 官方网站https://tfussell.gitbooks.io/xlnt/content/ 下载地址https://github.com/tfussell/xlnt 下载libstudxml开源库源码 下载地址https://github.com/kamxgal/libstudxml 下载xnlt源码 官方网站https://…

Walrus:去中心化存储和DA协议,可以基于Sui构建L2和大型存储

Walrus是为区块链应用和自主代理提供的创新去中心化存储网络。Walrus存储系统今天以开发者预览版的形式发布,面向Sui开发者征求反馈意见,并预计很快会向其他Web3社区广泛推广。 通过采用纠删编码创新技术,Walrus能够快速且稳健地将非结构化数…

C++的动态内存分配

使用new/delete操作符在堆中分配/释放内存 //使用new操作符在堆中分配内存int* p1 new int;*p1 2234;qDebug() << "数字是&#xff1a;" << *p1;//使用delete操作符在堆中释放内存delete p1;在分配内存的同时初始化 //在分配内存的时初始化int* p2 n…

海外云手机自动化管理,高效省力解决方案

不论是企业还是个人&#xff0c;对于海外社媒的营销都是需要自动化管理的&#xff0c;因为自动化管理不仅省时省力&#xff0c;而且还节约成本&#xff1b; 海外云手机的自动化管理意味着什么&#xff1f;那就是企业无需再投入大量的人力和时间去逐一操作和监控每一台设备。 通…

k8s学习--OpenKruise详细解释以及原地升级及全链路灰度发布方案

文章目录 OpenKruise简介OpenKruise来源OpenKruise是什么&#xff1f;核心组件有什么&#xff1f;有什么特性和优势&#xff1f;适用于什么场景&#xff1f; 什么是OpenKruise的原地升级原地升级的关键特性使用原地升级的组件原地升级的工作原理 应用环境一、OpenKruise部署1.安…

Python自动化(5)——ocr识字

Python自动化(5)——ocr识字 通过网络识字 网络识字的平台有很多&#xff0c;主要有百度以及科大讯飞&#xff0c;这里以百度智能云来简单示例。 首先需要在百度智能云上注册一个账号&#xff0c;并创建一个应用&#xff0c;网址&#xff1a; https://console.bce.baidu.com/…

高速异地组网怎么办理?

在当今信息化时代&#xff0c;跨地域的远程办公、远程教育、远程医疗等需求越来越多。而高速异地组网作为一种解决不同地区之间快速组建局域网的方法&#xff0c;被广泛应用。本文将介绍一款异地组网内网穿透产品——【天联】&#xff0c;并提供其办理流程。 【天联】组网是什…

LoRa126X系列LoRa模块:专为物联网设计而生

LoRa126X是思为无线研发的一款应用于物联网应用的LoRa 前端模块系列&#xff0c;采用 Semtech 公司的 SX1262和SX1268 芯片。该系列模块具有小体积、低功耗&#xff0c;高灵敏度等特点&#xff0c;并且严格遵循无铅工艺生产和测试流程&#xff0c;符合 RoHS 和 Reach 环保标准。…

oracle发送http请求

UTL_HTTP包让SQL和PLSQL能够调用超文本传输协议&#xff08;HTTP&#xff09;&#xff0c;也就是说可以使用它在Internet上访问数据。 当包用HTTPS从Web site获取数据时&#xff0c;要使用Oracle Wallet&#xff0c;它是由Oracle Wallet Manager或者orapki utility创建。非HTT…

购物网站系统

摘 要 随着互联网的快速发展&#xff0c;不同的平台软件也不断涌出市场&#xff0c;在众多的平台中&#xff0c;购物网站深受人们的欢迎&#xff0c;也成为生活中不可缺少的一部分。经过对国内外购物情况的调查&#xff0c;社区购物在近几年来成为电商发展的新趋势&#xff0c…

VB实现加法计算

textbox1失去焦点&#xff0c;检查输入的值是否为数字。 textbox2中按下Enter键&#xff0c;检查输入的值是否为数字。 textbox3获得焦点&#xff0c;计算textbox1和textbox2的和。 Public Class Form1Private Sub TextBox1_LostFocus(sender As Object, e As EventArgs) Hand…

【AI大模型】Transformers大模型库(十一):Trainer训练类

目录 一、引言 二、Trainer训练类 2.1 概述 2.2 使用示例 三、总结 一、引言 这里的Transformers指的是huggingface开发的大模型库&#xff0c;为huggingface上数以万计的预训练大模型提供预测、训练等服务。 &#x1f917; Transformers 提供了数以千计的预训练模型&am…

千呼新零售2.0【更新日志】持续更新ing

千呼新零售2.0系统是零售行业连锁店一体化收银系统&#xff0c;包括线下收银线上商城连锁店管理ERP管理商品管理供应商管理会员营销等功能为一体&#xff0c;线上线下数据全部打通。 适用于商超、便利店、水果、生鲜、母婴、服装、零食、百货等连锁店使用。 详细介绍请查看下…

Mybatis中BaseEntity作用

新建各种对象的时候&#xff0c;一般来说&#xff0c;有几个属性是所有对象共有的&#xff0c;比如说id,is_del&#xff0c;is_enable这些&#xff0c;然后设置一个基础对象&#xff0c;以后新建所有对象的时候都继承它&#xff0c;就省的每次都要写这些共有的属性了

GPT-4系列模型,在文档理解中的多维度评测

著名云数据平台Snowflake的研究人员发布了一篇论文&#xff0c;主要对OpenAI的GPT-4系列模型进行了研究&#xff0c;查看其文本生成、图像理解、文档摘要等能力。 在DocVQA、InfographicsVQA、SlideVQA和DUDE数据集上对GPT-4、GPT-4 V、GPT-4 Turbo V OCR等进行了多维度测试。…