排序方式: 共有10条查询结果,搜索用时 0 毫秒
1
1.
K-means是一种典型的聚类算法,在机器学习领域有着重要的作用.随着外包聚类服务的发展以及用户隐私保护意识的日益提高,K-means聚类也需要对密文数据提供支持,进而保证用户数据的隐私性.为此,文中利用全同态加密(Fully Homomorphic Encryption,FHE)设计了面向加密数据的 K-means ... 相似文献
2.
基于支持向量机的某地区电网短期电力负荷预测 总被引:1,自引:0,他引:1
摘要: 负荷预测是电力系统安全经济运行的前提。随着电力系统的市场化和能源互联网的研究与发展,高质量的负荷预测显得愈发重要。分析了影响负荷预测的因素,对数据进行收集及挖掘,采用了基于支持向量机负荷预测算法对区域负荷进行短期预测,并进一步开展了针对城区的精细化负荷预测研究。结合某地区案例,对该算法进行验证,结果表明,该算法预测结果优越,相对误差率较小。 相似文献
3.
准确识别变电站检测系统获取的负荷异常信息是保证主站调度命令正确实施的基础和前提。针对变电站监控系统获取的负荷极易受天气异常、用电突变、电动汽车充电、分布式新能源接入等环境和噪声因素影响,造成监控系统获取到的负荷异常突变时有发生,为了保证变电站监控系统采集正确负荷信息,采用极端学习机方法辨识负荷异常信息。通过对变电站监控系统历史数据分析,结合主站调度端时序数据,基于极端学习方法,提升了变电站监控负荷信息的正确性。仿真分析和实测结果显示,所提方法具有较高的辨识准确度,能够应用至实际中。 相似文献
4.
区域交通流量预测是智慧交通系统的一项重要功能。联邦学习可以支持多位置服务提供商(Location Service Provider, LSP)的联合训练,使得训练数据集可以更加全面地覆盖整个区域的交通流量,提高预测准确率。但是,当前基于联邦学习的区域交通流量预测方案存在车辆数据去重、训练节点背叛以及隐私泄露等问题。为此,构建了基于联邦学习的隐私保护区域交通流量预测(Privacy-Preserving Regional Traffic Flow Prediction based on Federated Learning, PPRTFP-FL)模型。模型采用中心部署架构,由联邦中央服务器协调各个LSP联合完成模型的训练,并对全局模型进行梯度聚合与模型更新;采用交叉评价加权聚合的策略来防御部分不可信节点对全局模型的恶意攻击,提升了全局模型的鲁棒性;预测阶段使用同态加密聚合算法,各LSP在不泄露自身运营数据的情况下实现了更准确的流量预测。利用相关数据集进行测试,测试结果表明当训练数据集覆盖区域流量充分的情况下,本模型相比本地模型的预测准确率有明显的提升。对模型进行不同比例的恶意节点攻击实验... 相似文献
5.
6.
7.
8.
9.
1