简介：摘要卷积神经网络在自然语言处理中的应用是近年的研究热点。文章通过对几项典型工作的分析，研究了卷积神经网络在各项自然语言处理任务中的性能与效果。并对卷积神经网络语言模型的改进规律进行了总结。

简介：摘要本文针对人工缺陷识别的缺点，提出了基于深度学习的输电设备缺陷识别方法，使用卷积神经网络进行图片的特征提取，避免了前期复杂繁琐的图片预处理，与此同时选用了ImageNet作为分类器进行缺陷判断。该方法经过实验验证，对常见的设备缺陷有较高的识别率，提高了输电线路巡检的自动化水平，降低了人工的劳动强度，便于快速准确的发现输电线路缺陷。

简介：摘要：随着时代的进步，高新技术不断发展，促使电力行业蓬勃发展。电力在一定程度上为民生提供保障，其电力系统也在一定程度上维护社会稳定，促进国民经济发展。在国家用电需求不断增加的情况下，电网规模日益扩大，但各种新能源技术与非线性负载的大量应用使电网运行状态受到影响，如果电力系统在应用过程中无法对自身状态进行检测，不能对自身故障及时监测、及时维修，会给人民的生产、生活带来巨大损失。因此，电力系统的故障预测评估已经逐渐成为各行各业关注的焦点。目前许多相关专家学者均致力于电力系统故障预测方法的研究，如王峰等研究一种基于深度卷积神经网络的变压器故障诊断方法，该方法可对系统故障预测的准确率和失稳样本的识别率较高，但该方法工作效率较低；陶伟等研究一种基于自适应RBF神经网络的电网变压器故障检测，该方法的检测效率较高，但故障预测效率较低且适用范围较小，无法对大多数的电力运行系统进行检测，局限性强。基于此，本篇文章对基于深度卷积网络的电力安全生产管理技术应用进行研究，以供参考。

简介：摘要近年来，我国的电力系统有了很大进展。针对传统电力电缆绝缘损伤检测方法存在检测流程复杂和无法大规模整体检测的缺点，本文结合图像无损接触方式和深度学习方法，提出了一种基于深度学习的电力电缆图像破损批量检测方法。该方法创新性地建立了基于残差和深度可分离模块的轻深度卷积神经网络模型，和以往的卷积神经网络模型相比，网络极好地平衡了系统的识别时间和识别精度，能实现高效、无损、快速的大规模电缆外表面多样化异常检测。和传统学习方法和已有深度卷积神经网络模型的实验结果对比表明，本文方法具有良好的实时性、鲁棒性和识别率，识别正确率达到99.47%。

简介：摘要：通过对电站锅炉的燃烧状况进行故障诊断和最优控制，是保证电厂安全、经济地运转的重要手段。最近发展起来的一种基于变分自编码的图像卷积算法，可以有效地解决现有的大规模电站锅炉运行工况识别和优化控制中存在的大量数据，从而有效地解决了现有研究中存在的大量问题。