在電力系統中，使用三種類型的導體：相線、中性線和地線。通常，出於安全和穩定性考慮，中性線接地。但有時會發生系統中性線與接地端子斷開的情況，這種情況稱為浮動中性點。在某些特殊情況下，中性線故意與接地端子隔離，這也稱為浮動中性點。在本文中，我們將學習電力系統中的浮動中性點、其影響、原因以及測試和修復浮動中性點的方法…… 閱讀更多

在電氣和電力分配工程領域，有兩個重要的概念：中性點和浮動中性點。中性點，也稱為中性線，是電路中電流的迴流路徑，它平衡相負載並作為參考點。在實際應用中，中性線通常在地面面板或分配端接地。另一方面，浮動中性點也是一條中性線，但它與接地端子隔離。浮動中性點的概念在實際應用中並不常見，但它可能用於…… 閱讀更多

介紹 你有沒有想過，人類是如何僅憑有限的感官輸入就能感知和理解視覺世界的？這是一種非凡的能力，它使我們能夠從基本元素中構成複雜的視覺概念。在計算機視覺領域，科學家們一直在嘗試利用卷積神經網路 (CNN) 來模擬這種組合行為。CNN 使用卷積層從影像中提取特徵，但在模擬具有不同空間分佈的視覺元素方面存在侷限性。卷積的問題 CNN 中的卷積層就像模式匹配過程。它們應用固定濾波器來空間聚合輸入…… 閱讀更多

John Hopfield 在 1982 年提出了 Hopfield 神經網路。1982 年，John Hopfield 開發了現在被稱為 Hopfield 神經網路的東西。這是一個模擬大腦活動的人工網路。這個迴圈神經網路可以模擬聯想記憶和模式識別問題。Hopfield 神經網路有助於找到各種問題的解決方案。影像和語音識別、最佳化和組合最佳化只是受益於其使用的眾多應用中的一部分。Hopfield 神經網路的架構 Hopfield 神經網路主要由單層互連神經元組成。最終連線的…… 閱讀更多

DPCCNN，或“深度引數連續卷積神經網路”，是一種神經網路，用於影像分類、影像目標檢測和影像分割等任務。DPCCNN 是卷積神經網路 (CNN) 的改進版本，它使用連續函式而不是離散卷積濾波器。引數連續卷積 在 DPCCNN 中，卷積是使用稱為引數連續卷積 (PCC) 的函式進行的，這是一個連續函式。PCC 被認為是一個函式，它將影像和一些值作為輸入，返回一個連續函式作為輸出，並獲得卷積結果。架構 DPCCNN…… 閱讀更多

介紹 本介紹簡要概述了人工神經網路和 Adaline 架構。它解釋了或門這一在數位電路設計中使用的基本邏輯閘的概念。目標是訓練 Adaline 網路，使其在給定不同的輸入組合時輸出正確的或門真值表。定義輸入和輸出 確定或門的輸入和輸出模式。在或門的情況下，有兩個輸入變數 (x1 和 x2) 和一個輸出變數 (y)。生成訓練資料 建立一組輸入輸出訓練模式，涵蓋所有可能的組合…… 閱讀更多

ANN 或人工神經網路是從生物神經網路（人腦是其主要單元）中獲得靈感而開發的計算系統。這些神經網路藉助遵循某種學習規則的訓練而發揮作用。ANN 中的學習規則只不過是一組指令或數學公式，有助於強化模式，從而提高神經網路的效率。神經網路廣泛使用 6 種此類學習規則進行訓練。赫布學習規則 由 Donald Hebb 於 1949 年提出…… 閱讀更多

Transformer 神經網路是一種深度學習架構，它能夠很好地處理長距離依賴關係，正如 Vaswani 等人在 2017 年的論文“All you need is attention”中首次描述的那樣。Transformer 網路的自注意力機制使它們能夠識別輸入序列的相關部分。什麼是迴圈神經網路？迴圈神經網路是一種具有記憶或反饋迴圈的人工神經網路。它們旨在處理和分類順序資料，其中資料點的順序很重要。網路的工作原理是將輸入資料饋送到隱藏層，允許網路保持資訊…… 閱讀更多

TFlearn 是一個基於 TensorFlow 框架的開源深度學習庫。它提供了一個高階 API，可以輕鬆建立和訓練不同的神經網路模型。它提供了一系列預先存在的模型，例如卷積神經網路 (CNN)、深度神經網路 (DNN) 和許多其他模型。它還包括各種啟用函式，例如 ReLU（修正線性單元）、softmax，以及諸如交叉熵之類的損失函式。由於不需要廣泛瞭解 TensorFlow 中的神經網路 API，因此 TFlearn 是初學者的理想庫。它簡單易用……閱讀更多

神經網路是人工智慧領域中廣泛使用的概念，其基於人腦的結構。神經網路分層工作，最簡單的結構是順序模型，其中當前層的輸入是前一層輸出。為了建立、訓練和測試神經網路模型，我們可以在 Python 中使用像 Tensorflow 這樣的深度學習框架。每個神經網路模型都基於一些簡單的步驟，例如獲取資料、進行預測、比較預測結果，最後更改預測結果以更接近目標……閱讀更多