-
题名基于稀疏学习的电力大数据压缩与高精度重建
- 1
-
-
作者
苏良立
王敏楠
余仰淇
肖娅晨
肖戈
-
机构
国家电网有限公司大数据中心
国网信通亿力科技有限责任公司
-
出处
《电子设计工程》
2024年第14期68-72,共5页
-
基金
国网大数据中心-2021年中国电力消费指数建设(数经e)(二期)-数据工程项目(SGSJ0000FXXX2100134)。
-
文摘
电网的运行需要大量电力大数据的支持,为了降低传输工作量,设计基于稀疏学习的电力大数据压缩与高精度重建方法。采用最优复杂度模型处理电力大数据的缺失值,通过基于残差学习方法的DnCNN去噪模型,对大数据去噪。根据向量主成分分析方法,对电力大数据进行压缩处理。基于稀疏学习构建大数据重建网络模型,实现电力大数据的重建。实验测试结果表明,设计方法的数据压缩比最高达到0.986,综合矢量误差整体低于0.3%,归一化均方误差整体低于0.8%。
-
关键词
稀疏学习
电力大数据
最优复杂度模型
向量主成分分析
-
Keywords
sparse learning
power big data
optimal complexity model
vector principal component analysis
-
分类号
TN931
[电子电信—信号与信息处理]
-
-
题名GMDH算法的终止法则研究
被引量：5
- 2
-
-
作者
张宾
贺昌政
-
机构
四川大学工商管理学院
-
出处
《吉林大学学报（信息科学版）》
CAS
2005年第3期257-262,共6页
-
基金
国家自然科学基金资助项目(70271073)
-
文摘
为了从理论上说明GMDH(GroupMethodofDataHanding)最优复杂度模型如何在推广能力与拟合精度之间达到平衡,用插值方法讨论了GMDH外准则值取得全局最小值时,对应的模型复杂度的位置。分析了模型在一定噪声水平下,已知训练集上的拟合能力与具有同一规律性的新数据上的推广能力关系,结果显示,GMDH最优模型的结构偏差与噪声影响的比值落在1的一个小领域内,其大小随噪声方差和外准则的变化而变化。说明,GMDH最优模型如何在拟合精度与推广能力之间达到平衡。
-
关键词
GMDH算法
终止法则
最优模型复杂度
-
Keywords
group method of data handing(GMDH)
stopping criterion
optimal model complexity
-
分类号
TP11
[自动化与计算机技术—控制理论与控制工程]
O242.1
[理学—计算数学]
-
