期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
面向知识学习的电力科学大模型
1
作者
陆超
吴小辰
刘迪
《电网技术》
北大核心
2025年第11期4449-4465,共17页
新型电力系统高波动性、高非线性等特征给基于机理知识的电力系统分析与优化控制方法的准确性和适应性带来了巨大的挑战,数据驱动的机器学习方法在一定程度上解决了上述挑战,但也存在可解释性及可靠性不强等弱点。初步展现出物理规律学...
新型电力系统高波动性、高非线性等特征给基于机理知识的电力系统分析与优化控制方法的准确性和适应性带来了巨大的挑战,数据驱动的机器学习方法在一定程度上解决了上述挑战,但也存在可解释性及可靠性不强等弱点。初步展现出物理规律学习能力的大模型为解决电力系统复杂性问题提供了新路径。由于电力系统具有时空关联复杂、机理知识完善等独有特征,需要探索电力系统专用大模型的构建方法。该文首先总结了大模型技术的发展历程与能力,进而梳理了电力系统专用大模型构建的核心需求,在此基础上提出了电力系统科学大模型构建面临的关键挑战,最后对电力系统科学大模型的发展趋势进行总结与展望,以期通过该文研究,探索电力系统专用大模型的基本需求及构建路径,使大模型可以从海量数据中学习到背后的物理知识,形成电力系统智能化运行的新范式。
展开更多
关键词
新型电力系统
电力科学大模型
物理知识学习
在线阅读
下载PDF
职称材料
基于物理启发机器学习的属性散射中心提取方法
2
作者
岳子瑜
徐丰
《电子与信息学报》
EI
CAS
CSCD
北大核心
2024年第5期2036-2047,共12页
基于参数化散射中心模型进行参数估计是实现合成孔径雷达高级信息获取(SAR AIR)技术的基本思路之一,传统的属性散射中心(ASC)参数估计算法往往具有计算速度慢、算法复杂度高、对参数初值要求高等问题。对此,该文提出一个新的基于无监督...
基于参数化散射中心模型进行参数估计是实现合成孔径雷达高级信息获取(SAR AIR)技术的基本思路之一,传统的属性散射中心(ASC)参数估计算法往往具有计算速度慢、算法复杂度高、对参数初值要求高等问题。对此,该文提出一个新的基于无监督学习的端到端框架用于从SAR图像反演ASC参数。首先,利用自编码式网络结构有效提取目标图像特征,缓解由于优化空间复杂非凸导致的直接求解困难,解决初值敏感问题;其次,通过嵌入ASC模型作为物理解码器以将编码器输出约束为正确的ASC参数;最后,通过端到端的模型架构进行学习和推理,达到降低算法复杂度及提高估计速度的目的。通过在仿真和实测数据上进行测试,实验结果表明在0.15 m分辨率测试集SAR图像上取得低于0.1 m的估计误差,反演单个散射中心平均耗时0.06 s,验证了该文所提方法的有效性、高效性与鲁棒性。
展开更多
关键词
属性散射中心模型
参数估计
基于
物理
知识
的机器
学习
在线阅读
下载PDF
职称材料
题名
面向知识学习的电力科学大模型
1
作者
陆超
吴小辰
刘迪
机构
清华大学电机工程与应用电子技术系
中国南方电网有限责任公司
出处
《电网技术》
北大核心
2025年第11期4449-4465,共17页
基金
中国南方电网有限责任公司创新项目(ZBKJXM20232035)。
文摘
新型电力系统高波动性、高非线性等特征给基于机理知识的电力系统分析与优化控制方法的准确性和适应性带来了巨大的挑战,数据驱动的机器学习方法在一定程度上解决了上述挑战,但也存在可解释性及可靠性不强等弱点。初步展现出物理规律学习能力的大模型为解决电力系统复杂性问题提供了新路径。由于电力系统具有时空关联复杂、机理知识完善等独有特征,需要探索电力系统专用大模型的构建方法。该文首先总结了大模型技术的发展历程与能力,进而梳理了电力系统专用大模型构建的核心需求,在此基础上提出了电力系统科学大模型构建面临的关键挑战,最后对电力系统科学大模型的发展趋势进行总结与展望,以期通过该文研究,探索电力系统专用大模型的基本需求及构建路径,使大模型可以从海量数据中学习到背后的物理知识,形成电力系统智能化运行的新范式。
关键词
新型电力系统
电力科学大模型
物理知识学习
Keywords
new power systems
power science large models
physical knowledge learning
分类号
TM721 [电气工程—电力系统及自动化]
在线阅读
下载PDF
职称材料
题名
基于物理启发机器学习的属性散射中心提取方法
2
作者
岳子瑜
徐丰
机构
复旦大学电磁波信息科学教育部重点实验室
出处
《电子与信息学报》
EI
CAS
CSCD
北大核心
2024年第5期2036-2047,共12页
基金
国家自然科学基金(61991422)。
文摘
基于参数化散射中心模型进行参数估计是实现合成孔径雷达高级信息获取(SAR AIR)技术的基本思路之一,传统的属性散射中心(ASC)参数估计算法往往具有计算速度慢、算法复杂度高、对参数初值要求高等问题。对此,该文提出一个新的基于无监督学习的端到端框架用于从SAR图像反演ASC参数。首先,利用自编码式网络结构有效提取目标图像特征,缓解由于优化空间复杂非凸导致的直接求解困难,解决初值敏感问题;其次,通过嵌入ASC模型作为物理解码器以将编码器输出约束为正确的ASC参数;最后,通过端到端的模型架构进行学习和推理,达到降低算法复杂度及提高估计速度的目的。通过在仿真和实测数据上进行测试,实验结果表明在0.15 m分辨率测试集SAR图像上取得低于0.1 m的估计误差,反演单个散射中心平均耗时0.06 s,验证了该文所提方法的有效性、高效性与鲁棒性。
关键词
属性散射中心模型
参数估计
基于
物理
知识
的机器
学习
Keywords
Attributed Scattering Center(ASC)model
Parameter estimation
Physics informed machine learning
分类号
TN957.52 [电子电信—信号与信息处理]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
面向知识学习的电力科学大模型
陆超
吴小辰
刘迪
《电网技术》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
基于物理启发机器学习的属性散射中心提取方法
岳子瑜
徐丰
《电子与信息学报》
EI
CAS
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
