交通标志识别系统不仅能够利用前置摄像头帮助司机识别道路前方的交通标志,达到规范交通,减少交通事故的目的,在自动驾驶领域也有举足轻重的地位。不准确的交通标志感兴趣区域(region of interest,ROI)提取会极大地限制交通标志识别算法的准确率和实时性。在综合考虑了交通标志图像的RGB种基于红色分量(red component,R分量)的交通标志ROI提取算法,该算法将原始图像转移到RGBN空间(Normalized RGB),利用图像的红色特征和灰度特征相减后得到的图像的纯色信息提取ROI,和经典的基于HSV颜色特征的ROI提取算法相比,所提算法不仅克服了光照和天气变化对交通标志检测的影响,而且对最广泛的含有红色特征的交通标志ROI提取正确率提高到98.3%,有效比从10.3%提高到38.3%,实时性大幅度提高,为交通标志的高精度识别奠定了基础。
传统光伏发电功率预测存在因气象因素特征提取不综合不精确而导致预测精度不高的问题.为了充分挖掘气象因素对光伏出力的影响,并有效利用深度学习技术在非线性拟合方面的优势,本文提出了一种基于气象因素充分挖掘的双向长短期记忆(Bi-directional Long Short Term Memory,BiLSTM)网络光伏发电短期功率预测方法.在对原始数据进行异常值及标准化处理的基础上,采用K近邻算法(K-Nearest Neighbor,KNN)在外界温度、湿度、压强等诸多气象因素中充分挖掘影响光伏出力的关键因素,重构多元数据序列,并在探索输入层时间步长、模型层数及每层维数等超参数的合理设置方案的基础上,构建BiLSTM网络模型,实现光伏发电短期功率的高精度预测.仿真结果表明,与KNN、深度信念网络(DBN)、BiLSTM、PCA-LSTM等经典方法比较,所提KNN-BiLSTM方法具有更高的预测精度.
