在电力系统中，使用三种类型的导体：相线、中性线和地线。通常，出于安全和稳定性考虑，中性线接地。但有时会发生系统中性线与接地端子断开的情况，这种情况称为浮动中性点。在某些特殊情况下，中性线故意与接地端子隔离，这也称为浮动中性点。在本文中，我们将学习电力系统中的浮动中性点、其影响、原因以及测试和修复浮动中性点的方法…… 阅读更多

在电气和电力分配工程领域，有两个重要的概念：中性点和浮动中性点。中性点，也称为中性线，是电路中电流的回流路径，它平衡相负载并作为参考点。在实际应用中，中性线通常在地面面板或分配端接地。另一方面，浮动中性点也是一条中性线，但它与接地端子隔离。浮动中性点的概念在实际应用中并不常见，但它可能用于…… 阅读更多

介绍 你有没有想过，人类是如何仅凭有限的感官输入就能感知和理解视觉世界的？这是一种非凡的能力，它使我们能够从基本元素中构成复杂的视觉概念。在计算机视觉领域，科学家们一直在尝试利用卷积神经网络 (CNN) 来模拟这种组合行为。CNN 使用卷积层从图像中提取特征，但在模拟具有不同空间分布的视觉元素方面存在局限性。卷积的问题 CNN 中的卷积层就像模式匹配过程。它们应用固定滤波器来空间聚合输入…… 阅读更多

John Hopfield 在 1982 年提出了 Hopfield 神经网络。1982 年，John Hopfield 开发了现在被称为 Hopfield 神经网络的东西。这是一个模拟大脑活动的人工网络。这个循环神经网络可以模拟联想记忆和模式识别问题。Hopfield 神经网络有助于找到各种问题的解决方案。图像和语音识别、优化和组合优化只是受益于其使用的众多应用中的一部分。Hopfield 神经网络的架构 Hopfield 神经网络主要由单层互连神经元组成。最终连接的…… 阅读更多

DPCCNN，或“深度参数连续卷积神经网络”，是一种神经网络，用于图像分类、图像目标检测和图像分割等任务。DPCCNN 是卷积神经网络 (CNN) 的改进版本，它使用连续函数而不是离散卷积滤波器。参数连续卷积 在 DPCCNN 中，卷积是使用称为参数连续卷积 (PCC) 的函数进行的，这是一个连续函数。PCC 被认为是一个函数，它将图像和一些值作为输入，返回一个连续函数作为输出，并获得卷积结果。架构 DPCCNN…… 阅读更多

介绍 本介绍简要概述了人工神经网络和 Adaline 架构。它解释了或门这一在数字电路设计中使用的基本逻辑门的概念。目标是训练 Adaline 网络，使其在给定不同的输入组合时输出正确的或门真值表。定义输入和输出 确定或门的输入和输出模式。在或门的情况下，有两个输入变量 (x1 和 x2) 和一个输出变量 (y)。生成训练数据 创建一组输入输出训练模式，涵盖所有可能的组合…… 阅读更多

ANN 或人工神经网络是从生物神经网络（人脑是其主要单元）中获得灵感而开发的计算系统。这些神经网络借助遵循某种学习规则的训练而发挥作用。ANN 中的学习规则只不过是一组指令或数学公式，有助于强化模式，从而提高神经网络的效率。神经网络广泛使用 6 种此类学习规则进行训练。赫布学习规则 由 Donald Hebb 于 1949 年提出…… 阅读更多

Transformer 神经网络是一种深度学习架构，它能够很好地处理长距离依赖关系，正如 Vaswani 等人在 2017 年的论文“All you need is attention”中首次描述的那样。Transformer 网络的自注意力机制使它们能够识别输入序列的相关部分。什么是循环神经网络？循环神经网络是一种具有记忆或反馈循环的人工神经网络。它们旨在处理和分类顺序数据，其中数据点的顺序很重要。网络的工作原理是将输入数据馈送到隐藏层，允许网络保持信息…… 阅读更多

TFlearn 是一个基于 TensorFlow 框架的开源深度学习库。它提供了一个高级 API，可以轻松创建和训练不同的神经网络模型。它提供了一系列预先存在的模型，例如卷积神经网络 (CNN)、深度神经网络 (DNN) 和许多其他模型。它还包括各种激活函数，例如 ReLU（修正线性单元）、softmax，以及诸如交叉熵之类的损失函数。由于不需要广泛了解 TensorFlow 中的神经网络 API，因此 TFlearn 是初学者的理想库。它简单易用……阅读更多

神经网络是人工智能领域中广泛使用的概念，其基于人脑的结构。神经网络分层工作，最简单的结构是顺序模型，其中当前层的输入是前一层输出。为了创建、训练和测试神经网络模型，我们可以在 Python 中使用像 Tensorflow 这样的深度学习框架。每个神经网络模型都基于一些简单的步骤，例如获取数据、进行预测、比较预测结果，最后更改预测结果以更接近目标……阅读更多