会员中心
搜索
登录
注册

解决方案

数字化转型通用方案行业方案安全方案大数据人工智能物联网行业展望自动控制其他

产品|技术

白皮书产品介绍技术介绍技术创新模型算法

政策|规范

政策规范行动计划

电子书

电子书课件

报告|论文

报告模板论文

光纤接入网技术基础知识

我们通常所说的宽带(Wideband)，都是指“宽带接入”，属于通信里的接入网技术。一- 接入网分为有线接入和无线接入: · 家庭用户宽带，是利用铜缆、网线(双绞线)或光纤进行连接，属于有线接入。 手机，是利用蜂窝基站进行连接，属于无线接入。 光纤宽带，是指采用光纤作为传输媒介的接入网技术，也叫光纤接入网。

  • 2024-05-14
  • 阅读330

AI智慧水务监管系统解决方案（40页 PPT）

当进厂污水流量及水质波动比较大时应在污水处理系统前设置均化调节池，以均和水质、存盈补缺。该场景需要配置高清网络摄像机，主要监测进水口的污水贮存量，池中最高水位不高于进水管的设计高度，采用视频监控系统监测调节池或配水井的贮存污水多少，若贮存量较大则需增加调节池或配水井的出水量，防止溢出。

  • 2024-05-14
  • 阅读266
  • 下载1

工业互联网技术产业创新报告

当前，全球工业互联网正处于以人工智能为代表的新一轮数字技术变革周期当中，新兴数字技术与传统工业体系的融合创新较以往更为活跃，越来越多的制造企业开始全力拥抱数字化浪潮、持续加大数字化转型的投入力度。在技术与市场红利的双轮驱动之下，新的产业空间正在被不断地创生出来，推动工业互联网技术产业的边界持续扩展延伸，智能装备、开放自动化、云原生工业软件及工业智能等新兴产业正在加速崛起，成为工业互联网发展的新的动力引擎。与此同时，工业互联网的产业格局也有望迎来调整重塑，多元企业主体将在更为复杂的市场环境与机遇窗口期之下展开角逐，既有老牌工业技术服务商全面转型传统产品与业务，利用已经建立的市场基础加快新产品的商业化，也有跨界数字技术服务商与初创企业充分利用技术优势，找准利基市场实现业务的扩张与渗透。

  • 2024-05-14
  • 阅读358

智慧医疗建设方案

智慧医疗:即智慧医疗，是城市开展智慧医疗建设的主要模式以1家三级医院为牵头单位，联合若干城市二级医院,康复医院、护理院以及社区卫生服务中心，构建“1+X”模式。 纵向整合医疗资源，形成资源共享、分工协作的管理模式。 有条件的地区可以推行人、财、物统一管理模式，促使智慧医疗成为目标一致的共同体。不具备条件的，可在智慧医疗内以对口帮扶、技术支持为纽带形成合作。

  • 2024-05-14
  • 阅读241

寿命预测|基于PCA和多变量极限学习机的轴承剩余寿命预测

《基于 PCA 和多变量极限学习机的轴承剩余寿命预测 》提出了一种基于主成分分析(PCA) 和多变量极限学习机(MELM) 的轴承剩余寿命预测方法。

  • 2024-05-11
  • 阅读364

【IEEEKDE】任意步长时间序列预测的可解释张量神经常微分方程

在本文中，我们提出了一种可解释的连续帧工作（ETN-ODE），用于多变量时间序列的任意步长预测。所提出的ETN-ODE利用ODE网络输出任意预测值。我们设计了一个TGRU来处理多变量时间序列，该时间序列表示网络中学习的参数较少的单个输入特征的不同动态。串联注意力被设计为向ODE网络生成更自适应的输入，通过可视化时间和变量贡献来提供可解释性。在四个真实世界数据集上进行的任意步骤预测和标准多步骤预测的各种实验证明了我们模型的有效性。

  • 2024-05-11
  • 阅读369

【IEEETIM】Effinformer:一种基于深度学习的DC-DC双向变换器数据驱动建模

本文提出了一种基于深度学习（DL）的数据驱动建模方法，以精确建模和识别广泛用于可再生能源系统（RES）的直流-直流双向转换器。与需要处理大量电路参数并导致模型往往复杂且昂贵的基于电路理论的方法相比，基于DL的方法产生了更简约的模型。然而，典型的DL方案在准确性、稳定性和计算复杂性方面仍然存在局限性。为此，我们提出了一种名为efficient Informer（Effinformer）的端到端DL框架，该框架利用稀疏自注意、一种新颖的基于扩张因果卷积的提取操作和一种增强的解码器来最小化计算复杂性，同时提高建模精度和速度。通过实验结果和分析，与现有的建模技术和当前最先进的DL技术相比，所提出的Effinformer表现出优越的性能。然后，我们将所提出的网络进一步扩展到长期预测场景，以展示其出色的泛化能力和优雅的鲁棒性。大量实验表明，从处理纹波干扰和异常值的角度来看，Effinformer更有利于提高预测的准确性和可靠性。这一特性使其在实际工程应用中非常有利。

  • 2024-05-11
  • 阅读405

【EAAI】使用1D-CNN和BiLSTM进行时间序列预测的教程：参见峰值需求和系统边际价格预测的示例

尽管基于深度学习的时间序列预测研究正在各个行业积极开展，但深度学习技术对于没有计算机科学专业的研究人员来说仍然有很高的进入门槛。本文介绍了使用基于深度学习的模型进行时间序列预测的教程。介绍了时间序列数据预测的全过程——从数据采集到预测结果评价。通过使用1D-CNN和BiLSTM模型预测韩国济州岛峰值电力需求和系统边际价格的实例，展示了每个步骤的细节。在济州岛，2021年可再生能源在总发电量中的比例提高到67%，需要更准确的电力需求预测。因此，使用2018年2月808天的培训数据，预测了未来21天的电力需求和SMP。为了让读者更容易理解，该示例仅使用开放的公共数据，整个Python源代码通过GitHub存储库共享。WRMSSE计算的预测误差为0.42的电力需求和0.63的SMP最大值。WRMSSE值小于1意味着预测相对较好，即优于天真的预测。本教程不仅限于能源行业，还可用于任何需要时间序列数据预测的应用程序。这篇文章有望对需要了解使用深度学习进行时间序列预测的过程并将其应用于行业的研究人员有很大帮助。

  • 2024-05-11
  • 阅读1101