排序方式: 共有5条查询结果,搜索用时 15 毫秒
1
1.
2.
为充分挖掘电力负荷历史数据的潜在特征,提高短期负荷预测模型的预测精度,提出了一种由改进残差网络(ResNetPlus)、注意力机制(Attention mechanism,AM)和双向长短期记忆网络(Bi-directional long short-term memory,Bi-LSTM)结合而成的残差AM-Bi-LSTM预测模型。该模型将历史负荷、温度和所预测日期的特征作为输入,在Bi-LSTM模型基础上,引入多层改进残差网络提取输入数据的隐藏特征,有效克服了网络隐藏层数加深导致的网络退化问题,使模型的反向传播能力大幅提升;加入注意力机制,分析网络中输入信息与当前负荷的相关性并突出重要信息的影响,从而提高模型的速度与准确率;使用Snapshot策略集成收敛于不同局部极小值的多个模型,以提升模型的准确率和鲁棒性。最后,使用美国ISO-NE数据集进行模拟预测,测试结果表明:所提模型的平均预测精度达到98.27%;在连续的12个月中采用该模型的平均预测精度相比于LSTM模型提高了2.87%;在不同季节下采用该模型的平均预测精度相比于AM-Bi-LSTM和ResNetPlus模型分别提高了1.05%和1.16%。说明所提模型相较于对比模型具有较高的准确率、鲁棒性以及泛化能力。 相似文献
3.
互联网的广泛应用使得图像的传输和存储越来越便捷,网络的公开化使得很多传输的图像数据可能被轻易地监听、截获、非法复制和篡改等。图像的显著性区域包含了图像的大部分信息,对图像的显著性区域加密可以有效保护图像的信息。本文提出了一种基于深度学习的图像显著性区域加密方式,该方式只对图像的显著性区域进行加密,待加密图像先被提取显著性区域,再使用混沌置乱的方法对显著性区域进行加密。实验结果证明,基于深度学习的显著性区域提取方式性能更好,显著性区域加密比全部加密减少了大部分加密区域,大大提高了加密效率。 相似文献
4.
5.
1