识别精度99.84%
本网络通过融合通道注意力与协同注意力机制，在维持MobileNetV2计算效率的同时，实现更精准的电力终端多标签识别。
殷林飞 · Nannan, Wang · 75722631
Applied Energy 2025
自适应蒸馏增量学习在吸收新负载类型时无需重新训练全部数据，因此比重新训练节省49分钟。
通过比较SVM输出的置信概率与设定阈值，不可靠的识别结果被保留而非直接输出，从而提升负载类型识别的准确性。
与其他神经网络相比，AMN的准确率、精度、召回率和F1分数分别提高了2.78%、2.21%、2.53%和2.78%。
被拒绝识别的样本输入到简单MobileNetV2模型后，整体算法准确率达到99.84%，进一步减少误判。