基于自编码器的深度聚类算法综述

聚类分析作为一种常见的分析方法,广泛应用于各种场景。随着机器学习技术的发展,深度聚类算法也成了当下研究的热点,基于自编码器的深度聚类算法是其中的代表算法。为了及时了解掌握基于自编码器的深度聚类算法的发展,介绍了四种自编码器的模型,对近些年代表性的算法依照自编码器的结构进行了分类。在MNIST、USPS、Fashion-MNIST数据集上,针对传统聚类算法和基于自编码器的深度聚类算法进行了实验对比、分析,最后对基于自编码器的深度聚类算法目前存在的问题进行了总结,展望了深度聚类算法的研究方向。     

基于深度学习的属性图异常检测综述

异常检测一直以来都是数据挖掘领域的研究热点之一,其任务是在海量数据中识别罕见的观测对象。随着图数据挖掘的发展,属性图异常检测在各个领域广受关注。然而,属性图因其复杂的拓扑结构和丰富的属性信息成为异常检测一大难点。深度学习方法在捕捉属性图复杂的信息中展现出优越性能,已被证实是解决属性图异常检测问题非常有效的方法。对普通图异常检测和属性图异常检测以及表示学习相关方法进行简要概述;其次从静态属性图和动态属性图两方面对最新深度学习异常检测方法进行介绍与分类;对常见数据集上的实验结果进行了对比、分析;对属性图异常检测的应用场景、存在的问题以及面临的挑战进行讨论,展望了未来的研究方向。     

含电转气的电–气互联系统可靠性评估

含电转气的电–气互联系统是解决我国弃风限电问题的有效途径,其可靠性评估是系统规划、运行的重要基础。因此,首先计及系统弃风现象,提出基于电转气装置和燃气机组的能流模型、考虑风电弃用的电/气/热负荷削减优化模型;其次,从系统和设备两个角度出发,建立电–气互联系统电力/气量/热力不足期望、弃风期望和电转气装置容量利用率等可靠性指标;再次,考虑元件故障、电/气/热负荷和风电功率的随机性因素,基于所建立的能流模型、负荷削减优化模型和可靠性指标,提出含电转气的电–气互联系统可靠性评估方法;最后,采用该方法在不同风电渗透率、电转气装置容量下,对IEEE14-NGS10电–气互联系统进行可靠性评估分析,仿真结果验证了所提方法的有效性。