两大功能特色。但这也造基于卷积神经网络的电网变压器铭牌识别技术研究论文原稿提升训练效率，基于传统算法理论提出种算法。首先设计全局池化层来代替传统网络中的全连接层，降低过拟合风险然后引入种改进的分类器构建这也造成了网络结构的复杂性，降低了网络模型的训练效率。为此，本文在传统模型基础上进行优化，提出种模型。如图所示，模型由个输入层个卷积式传入到全连接层，在全连接层中，各层节点之间是完全连接的，这种方式不仅参数量大，训练效率低，且容易导致过拟合，降低模型准确率。基于卷积神经网络的电网变压器铭牌识别技术本文在传统网络基础上，设计全局池化层来代替传统网络中的全连接层，并引入种改进的分类器构建分类层，提出种算法。将应用置置信度判决函数，并对识别率低的样本重新进行特征提取用于训练下层网络，从而构造多层卷积神经网络，与传统模型相比，模型在变电站异常场景识别中具有更高的准确电网络运维领域，图像识别可以根据现场采集的图像数据进行模型训练，从而对图像数据中提取出关键信息，为运维工作提供指导。因此，越来越多学者将图像识别技术结合到电力变压器等述方法都未考虑过拟合现象和模型训练速度，限制了模型在变压器铭牌识别应用中的实用性。基于卷积神经网络的电网变压器铭牌识别技术研究论文原稿。网络由经典神经网络模经网络中对变电站监控图像进行异常识别，识别效果良好文献提出种算法，该算法根据网络对小样本的识别情况设置置信度判决函数，并对识别率低的样本重新进行特征提取用于训基于卷积神经网络的电网变压器铭牌识别技术研究论文原稿。上述学者研究都是基于卷积神经网络开展图像识别应用研究，但上述方法都未考虑过拟合现象和模型训练速度，限制了模型在变压器铭牌识别应用中的实用性。函数与柔性光滑函数的优势设计了种神经元激励的方法应用于卷积神经网络中对变电站监控图像进行异常识别，识别效果良好文献提出种算法，该算法根据网络对小样本的识别情况练，从而对图像数据中提取出关键信息，为运维工作提供指导。因此，越来越多学者将图像识别技术结合到电力变压器等设备的运维工作中。文献采用种并行结构优化的卷积神经网络模型与备的运维工作中。文献采用种并行结构优化的卷积神经网络模型与增强现实技术相结合对变压器图像进行识别，与传统神经网络算法相比，该方法具有较高的识别准确率文献充分利用线性修型发展而来，保留了神经网络模型中的输入层全连接层和输出层，在此基础上新增了卷积层下采样层。网络基本结构如图所示。图像识别是近几年人工智能领域的主要研究方向之，在下层网络，从而构造多层卷积神经网络，与传统模型相比，模型在变电站异常场景识别中具有更高的准确率。上述学者研究都是基于卷积神经网络开展图像识别应用研究，但强现实技术相结合对变压器图像进行识别，与传统神经网络算法相比，该方法具有较高的识别准确率文献充分利用线性修正函数与柔性光滑函数的优势设计了种神经元激励的方法应用于卷积基于卷积神经网络的电网变压器铭牌识别技术研究论文原稿果表明，本文提出的模型具有更高的准确率和训练速度。图像识别是近几年人工智能领域的主要研究方向之，在配电网络运维领域，图像识别可以根据现场采集的图像数据进行模型传入到全连接层，在全连接层中，各层节点之间是完全连接的，这种方式不仅参数量大，训练效率低，且容易导致过拟合，降低模型准确率。本文在传统网络基础上，设计全局池化层了网络结构的复杂性，降低了网络模型的训练效率。为此，本文在传统模型基础上进行优化，提出种模型。如图所示，模型由个输入层个卷积层个池化分类层，有效提高训练效率最后使用实地采集的变压器铭牌图片数据集上训练网络模型，识别准确率达，并通过对比实验表明，本文提出的算法具有较高的准确率和个池化层以及个全局池化层和个分类层组成。摘要针对现有的网络模型在电网变压器铭牌识别应用中容易发生过拟合，训练速度慢等问题，为提高变压器铭牌识别准确率究论文原稿。改进的卷积神经网络算法传统网络结构包含多个卷积层和多个下采样层，这使得网络中相邻层节点直接可以局部连接和权值共享，这是网络的两大功能特色。用于真实变压器铭牌图片数据集中进行模型训练，结果表明，本文提出的模型具有更高的准确率和训练速度。在傳统模型中，图像数据经过卷积和池化操作后以长特征向量的