协同过滤推荐和基于内容的推荐是目前应用于推荐系统中的两种主流手段.传统的协同过滤模型存在着矩阵稀疏问题,基于内容的推荐又不能自动抽取深层特征,且两种推荐手段很难直接融合在一起,无法共同提升推荐系统的性能表现.充分利用了深...协同过滤推荐和基于内容的推荐是目前应用于推荐系统中的两种主流手段.传统的协同过滤模型存在着矩阵稀疏问题,基于内容的推荐又不能自动抽取深层特征,且两种推荐手段很难直接融合在一起,无法共同提升推荐系统的性能表现.充分利用了深度学习模型能够深度挖掘内容隐藏信息的特性,将栈式降噪自编码器(SDAE)运用于基于内容的推荐模型中,并将其与基于标签的协同过滤算法结合在一起,提出DLCF(Deep Learning for Collaborative Filtering)算法.经过真实数据集的验证,DLCF算法能够很大程度上克服矩阵稀疏问题,在性能上优于传统推荐算法.展开更多
精准的空间电力负荷态势感知结果是配电网精益化规划的基础。随着配电网中可采集负荷数据深度和广度的增加,如何运用这些数据实现对空间电力负荷精准的态势感知具有重要意义。该文提出一种基于降噪自编码器、奇异谱分析和长短期记忆神...精准的空间电力负荷态势感知结果是配电网精益化规划的基础。随着配电网中可采集负荷数据深度和广度的增加,如何运用这些数据实现对空间电力负荷精准的态势感知具有重要意义。该文提出一种基于降噪自编码器、奇异谱分析和长短期记忆神经网络(denoising autoencoder,singular spectrum analysis and long-short term memory neural networks,DAE-SSA-LSTM)的空间电力负荷态势感知方法。首先在态势觉察阶段,使用降噪自编码器对每个Ⅰ类元胞负荷实测数据分别进行编码提取各自的主要负荷变化特征,并根据该特征进行重构历史元胞负荷数据以降低由于测量、通信等原因造成的噪声干扰;然后在态势理解阶段中运用奇异谱分析方法对态势觉察后的元胞负荷数据进行分解得出周期性较强的低频分量序列和随机性较强的高频分量序列;最后在态势预测阶段采用不同的长短期记忆神经网络模型分别对低频分量和高频分量进行预测,并将两预测结果进行叠加得出目标年的Ⅰ类元胞负荷预测值,在此基础上运用空间电力负荷网格化技术求得基于Ⅱ类元胞的空间电力负荷预测值。实例分析结果表明,该方法相比于其他4种空间电力负荷态势感知方法,具有更高的预测精度。展开更多
文摘协同过滤推荐和基于内容的推荐是目前应用于推荐系统中的两种主流手段.传统的协同过滤模型存在着矩阵稀疏问题,基于内容的推荐又不能自动抽取深层特征,且两种推荐手段很难直接融合在一起,无法共同提升推荐系统的性能表现.充分利用了深度学习模型能够深度挖掘内容隐藏信息的特性,将栈式降噪自编码器(SDAE)运用于基于内容的推荐模型中,并将其与基于标签的协同过滤算法结合在一起,提出DLCF(Deep Learning for Collaborative Filtering)算法.经过真实数据集的验证,DLCF算法能够很大程度上克服矩阵稀疏问题,在性能上优于传统推荐算法.
文摘精准的空间电力负荷态势感知结果是配电网精益化规划的基础。随着配电网中可采集负荷数据深度和广度的增加,如何运用这些数据实现对空间电力负荷精准的态势感知具有重要意义。该文提出一种基于降噪自编码器、奇异谱分析和长短期记忆神经网络(denoising autoencoder,singular spectrum analysis and long-short term memory neural networks,DAE-SSA-LSTM)的空间电力负荷态势感知方法。首先在态势觉察阶段,使用降噪自编码器对每个Ⅰ类元胞负荷实测数据分别进行编码提取各自的主要负荷变化特征,并根据该特征进行重构历史元胞负荷数据以降低由于测量、通信等原因造成的噪声干扰;然后在态势理解阶段中运用奇异谱分析方法对态势觉察后的元胞负荷数据进行分解得出周期性较强的低频分量序列和随机性较强的高频分量序列;最后在态势预测阶段采用不同的长短期记忆神经网络模型分别对低频分量和高频分量进行预测,并将两预测结果进行叠加得出目标年的Ⅰ类元胞负荷预测值,在此基础上运用空间电力负荷网格化技术求得基于Ⅱ类元胞的空间电力负荷预测值。实例分析结果表明,该方法相比于其他4种空间电力负荷态势感知方法,具有更高的预测精度。
