高斯过程回归(Gaussian process regression, GPR)是一种广泛应用的回归方法,可以用于解决输入输出均为多元变量的人体姿态估计问题.计算复杂度是高斯过程回归的一个重要考虑因素,而常用的降低计算复杂度的方法为稀疏表示算法.在稀疏算...高斯过程回归(Gaussian process regression, GPR)是一种广泛应用的回归方法,可以用于解决输入输出均为多元变量的人体姿态估计问题.计算复杂度是高斯过程回归的一个重要考虑因素,而常用的降低计算复杂度的方法为稀疏表示算法.在稀疏算法中,完全独立训练条件(Fully independent training conditional, FITC)法是一种较为先进的算法,多用于解决输入变量彼此之间完全独立的回归问题.另外,输入变量的噪声问题是高斯过程回归的另一个需要考虑的重要因素.对于测试的输入变量噪声,可以通过矩匹配的方法进行解决,而训练输入样本的噪声则可通过将其转换为输出噪声的方法进行解决,从而得到更高的计算精度.本文基于以上算法,提出一种基于噪声输入的稀疏高斯算法,同时将其应用于解决人体姿态估计问题.本文实验中的数据集来源于之前的众多研究人员,其输入为从视频序列中截取的图像或通过特征提取得到的图像信息,输出为三维的人体姿态.与其他算法相比,本文的算法在准确性,运行时间与算法稳定性方面均达到了令人满意的效果.展开更多
针对短期风电功率预测,提出一类基于稀疏高斯过程(sparse gaussian processes,Sparse-GP)的概率预测方法。通过对数据集随机划分所形成的数据子集,给出基于数据点子集(subset of datapoints,SoD)近似、回归子集(subset of regressors,S...针对短期风电功率预测,提出一类基于稀疏高斯过程(sparse gaussian processes,Sparse-GP)的概率预测方法。通过对数据集随机划分所形成的数据子集,给出基于数据点子集(subset of datapoints,SoD)近似、回归子集(subset of regressors,SoR)近似、投影过程(projected process,PP)近似算法的3种Sparse-GP方法,该方法不仅能给出模型的均值预测,而且能获取模型的预测方差,这很好地解释了模型置信水平。不同的Sparse-GP方法在保持常规GP方法优点的同时,还能解决GP方法随着训练数据增加而产生的矩阵运算困难等难题,且计算效率高。将具有不同协方差函数形式的Sparse-GP方法应用于不同地区的短期风电功率单步与多步预测实例中,在同等条件下还与常规GP、SVM方法进行对比。实验结果表明,Sparse-GP方法可以给出较好的预测效果,且适用于较大规模数据集的训练。展开更多
文摘偏航角零点漂移严重影响风电机组性能,将之消除的前提是对其进行可靠且快速的检测。基于风能捕获机理,该文提出一种运用机器学习算法的偏航角零点漂移诊断方法。首先,采用孤立森林(isolated forest,IF)异常值检测算法对数据进行预处理;其次,建立非参数模型稀疏高斯过程回归(sparse Gaussian process regression,SGPR)估计偏航角零点漂移;最后,利用多个风电场的风电机组实际运行数据对所提方法进行验证,并分析不同诊断模型对数据量的依赖性。结果表明:IF+SGPR方法准确性高,所需数据量少,能够快速诊断偏航角零点漂移;该诊断方法能够应用于各种电场不同型号的风电机组,普适性较高。
文摘高斯过程回归(Gaussian process regression, GPR)是一种广泛应用的回归方法,可以用于解决输入输出均为多元变量的人体姿态估计问题.计算复杂度是高斯过程回归的一个重要考虑因素,而常用的降低计算复杂度的方法为稀疏表示算法.在稀疏算法中,完全独立训练条件(Fully independent training conditional, FITC)法是一种较为先进的算法,多用于解决输入变量彼此之间完全独立的回归问题.另外,输入变量的噪声问题是高斯过程回归的另一个需要考虑的重要因素.对于测试的输入变量噪声,可以通过矩匹配的方法进行解决,而训练输入样本的噪声则可通过将其转换为输出噪声的方法进行解决,从而得到更高的计算精度.本文基于以上算法,提出一种基于噪声输入的稀疏高斯算法,同时将其应用于解决人体姿态估计问题.本文实验中的数据集来源于之前的众多研究人员,其输入为从视频序列中截取的图像或通过特征提取得到的图像信息,输出为三维的人体姿态.与其他算法相比,本文的算法在准确性,运行时间与算法稳定性方面均达到了令人满意的效果.
文摘针对短期风电功率预测,提出一类基于稀疏高斯过程(sparse gaussian processes,Sparse-GP)的概率预测方法。通过对数据集随机划分所形成的数据子集,给出基于数据点子集(subset of datapoints,SoD)近似、回归子集(subset of regressors,SoR)近似、投影过程(projected process,PP)近似算法的3种Sparse-GP方法,该方法不仅能给出模型的均值预测,而且能获取模型的预测方差,这很好地解释了模型置信水平。不同的Sparse-GP方法在保持常规GP方法优点的同时,还能解决GP方法随着训练数据增加而产生的矩阵运算困难等难题,且计算效率高。将具有不同协方差函数形式的Sparse-GP方法应用于不同地区的短期风电功率单步与多步预测实例中,在同等条件下还与常规GP、SVM方法进行对比。实验结果表明,Sparse-GP方法可以给出较好的预测效果,且适用于较大规模数据集的训练。
