考虑数据分布偏移的短期居民净负荷预测方法

新能源发电的高不确定性导致净负荷的数据分布偏移更加严重。数据分布偏移导致模型在历史数据中学习到的特征信息不再完全适用于未来数据,从而给净负荷预测(net load forecasting, NLF)带来了挑战。因此,考虑到净负荷中更严重的数据分布偏移问题,提出了一种基于不变风险最小化-不确定性加权-长短期记忆神经网络(long short-term memory neural network, LSTM)的短期居民净负荷预测方法,以提升净负荷预测精度。首先,通过不变风险最小化(invariant risk minimization, IRM)建立了一个双目标问题,包括准确预测和学习跨不同数据分布的不变特征。其次,通过长短期记忆神经网络(long short-term memory neural network, LSTM)处理时间序列数据的非线性特征。然后,通过基于不确定性加权(uncertainty weighting, UW)的目标平衡机制避免过度实现任一目标。此外,通过引入分位数回归将所提方法扩展到概率预测。最后,通过基于澳大利亚Ausgrid公司提供的真实居民电表数据从确定性预...     

合作-竞争混合型多智能体系统的虚拟遗憾优势自博弈方法

合作-竞争混合型多智能体系统由受控的目标智能体和不受控的外部智能体组成.目标智能体之间互相合作,同外部智能体展开竞争,应对环境和外部智能体的动态变化,最终完成指定的任务.针对如何训练目标智能体使他们获得完成任务的最优策略的问题,现有工作从两个方面展开:(1)仅关注目标智能体间的合作,将外部智能体视为环境的一部分,利用多智能体强化学习来训练目标智能体.这种方法难以应对外部智能体策略未知或者动态改变的情况;(2)仅关注目标智能体和外部智能体间的竞争,将竞争建模为双人博弈,采用自博弈的方法训练目标智能体.这种方法主要针对单个目标智能体和单个外部智能体的情况,难以扩展到由多个目标智能体和多个外部智能体组成的系统中.结合这两类研究,提出一种基于虚拟遗憾优势的自博弈方法.具体地,首先以虚拟遗憾最小化和虚拟多智能体策略梯度为基础,设计虚拟遗憾优势策略梯度方法,使目标智能体能更准确地更新策略;然后,引入模仿学习,以外部智能体的历史决策轨迹作为示教数据,模仿外部智能体的策略,显式地建模外部智能体的行为,来应对自博弈过程中外部智能体策略的动态变化;最后,以虚拟遗憾优势策略梯度和外部智能体行为建模为基础,设...     

基于全变分模型的多分辨率光照处理算法

针对人脸识别中的光照问题,本文提出一种多分辨率分层的快速处理算法.该算法建立在扩展的全变分模型的理论基础之上,具有模型简单,优化参数少等优点,并能有效的减少光晕现象.算法从快速性入手,首先将光照劣化图像进行多分辨率分层,在每一层上利用模型进行估计,从而得出整体的光照成分,然后恢复出入脸的反射系数图像,并以此作为光照不变量来进行识别.实验证明,通过多分辨率分层的方法,不仅能使系统在不同光照条件下的识别率得到提高,而且还能解决单独用TV(Total Variation)模型进行估计时处理速度较慢的缺点.     

基于决策树的三组元精馏序列结构最优合成规则识别

针对三组元精馏系统结构的优化合成,提出一种数据驱动的基于信息熵最小化的分类回归决策树（CART）模型。三组元精馏优化数据采用文献中严格模拟优化的结果,数据包含4种三组元混合物、34种进料组成以及7个候选精馏序列结构的最优化设计结果,生成数据集用来训练CART决策树。由决策树训练结果给出了三组元精馏结构最优设计决策规则,模型测试结果显示本文提出的决策树模型对数据集范围内三组元物系精馏结构决策的准确率为88.2%,同时表明了影响三组元最优精馏序列的主要影响因素及其重要性。     

基于在线双边拍卖的分层联邦学习激励机制

在分层联邦学习中,能量受限的移动设备参与模型训练会消耗自身资源.为了降低移动设备的能耗,文中在不超过分层联邦学习的最大容忍时间下,提出了移动设备能耗之和最小化问题.不同训练轮次的边缘服务器能够选择不同的移动设备,移动设备也能够为不同的边缘服务器并发训练模型,因此文中基于在线双边拍卖机制提出了ODAM-DS算法.基于最优...     

杀菌防霉涂料

应用衍生纳米粒子使热饮料中的微生物生长最小化：US2005—224 41 7[美国专利申请公开]／美国：Eastman Kodak Company（Wien，Richard W．等）．-2005．10．13．-21页．-US2004／823 443（2004．4．13）：IPC BOID15／00（210-681）     

改进的基于子空间划分的模糊系统模型

针对模糊系统建模过程中实现结构风险最小化问题,提出改进的基于子空间划分的模糊系统模型（SPFS）.使用偏最小二乘法（PLS）建立初始模型,有效地提取对系统解释性最强的信息.通过ε不敏感函数和子空间划分,达到模型的置信范围与经验风险的折中.改进的SPFS能保证模型的可解释性,并实现结构风险最小化.仿真计算证明了该模型的有效性.     

DFA最小化算法研究

本文指出了现有DFA最小化算法的缺陷,并给出使用这些算法对DFA限制条件以及将不满足限制条件DFA等价转换成满足限制条件的DFA一般方法;在研究状态等价的充分条件基础上,提出了一种新的适用任何DFA的最小化算法及其算法的正确性证明。     

控制能量约束条件下时滞系统最优控制与仿真

文中对时滞系统在控制能量存在约束时的最优控制问题进行了探讨.由控制器Youla参数化得到控制系统的敏感度函数和控制敏感度函数用来表示一个包含跟踪误差和控制能量在内的积分平方性能指标,针对不同类型的时滞过程运用谱分解的方法最小化该性能指标,从而导出相应控制器的设计方法,可使系统在控制能量约束条件下具有最优的控制性能.仿真研究进一步说明了所给设计方法的有效性.     

基于最小化畸变重投影的广义平面校正方法

为了方便计算机视觉中的图像配准和拼接等工作，该文提出了一种最小化畸变平面校正方法。通过求射影变换权值变化测度之和的极值及Jacobian行列式度量校正前后的局部区域变化，求得最小化重采样效果的校正变换矩阵。建立广义平面校正坐标系，在虚拟坐标系内考虑最小化畸变和最小化重采样效果，减少了旋转造成的重采样畸变，改善了可视性。