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
3
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
基于改进深度稀疏自编码器及FOA-ELM的电力负荷预测
被引量：
28
1
作者
张淑清
要俊波
+2 位作者
张立国
姜安琦
穆勇
《仪器仪表学报》
EI
CAS
CSCD
北大核心
2020年第4期49-57,共9页
智能电网的发展使得电网获取的数据逐渐增多,为了从多维大数据中获取有用信息并对短期内电力负荷进行准确的预测,提出了一种基于改进的深度稀疏自编码器(IDSAE)降维及果蝇优化算法(FOA)优化极限学习机(ELM)的短期电力负荷预测方法。将L...
智能电网的发展使得电网获取的数据逐渐增多,为了从多维大数据中获取有用信息并对短期内电力负荷进行准确的预测,提出了一种基于改进的深度稀疏自编码器(IDSAE)降维及果蝇优化算法(FOA)优化极限学习机(ELM)的短期电力负荷预测方法。将L1正则化加入到深度稀疏自编码器(DSAE)中能够诱导出更好的稀疏性,用IDSAE对影响电力负荷预测精度的高维数据进行特征降维,消除了指标间的多重共线性,实现高维数据向低维空间的压缩编码。采用FOA优化算法优化ELM的权值和阈值,得到最优值,能够克服因极限学习机随机选择权值和阈值导致预测精度低的缺点。首先将气象因素通过IDSAE降维,得到稀疏后的综合气象因素特征指标,协同电力负荷数据作为FOA优化的ELM预测模型的输入向量进行电力负荷预测。通过与DSAE-FOAELM、DSAE-ELM和IDSAE-ELM等模型的对比实验,证明了提出的预测模型能有效提高预测精度,经计算得出预测精度提升大约8%。
展开更多
关键词
短期电力负荷预测
深度稀疏自编码器(
dsae
)
降维
果蝇优化算法
极限学习机
在线阅读
下载PDF
职称材料
基于栈式降噪稀疏自编码器的极限学习机
被引量：
14
2
作者
张国令
王晓丹
+2 位作者
李睿
来杰
向前
《计算机工程》
CAS
CSCD
北大核心
2020年第9期61-67,共7页
极限学习机(ELM)随机选择网络输入权重和隐层偏置,存在网络结构复杂和鲁棒性较弱的不足。为此,提出基于栈式降噪稀疏自编码器(sDSAE)的ELM算法。利用sDSAE稀疏网络的优势,挖掘目标数据的深层特征,为ELM产生输入权值与隐层偏置以求得隐...
极限学习机(ELM)随机选择网络输入权重和隐层偏置,存在网络结构复杂和鲁棒性较弱的不足。为此,提出基于栈式降噪稀疏自编码器(sDSAE)的ELM算法。利用sDSAE稀疏网络的优势,挖掘目标数据的深层特征,为ELM产生输入权值与隐层偏置以求得隐层输出权值,完成训练分类器,同时通过加入稀疏性约束优化网络结构,提高算法分类准确率。实验结果表明,与ELM、PCA-ELM、ELM-AE和DAE-ELM算法相比,该算法在处理高维含噪数据时分类准确率较高,并且具有较强的鲁棒性。
展开更多
关键词
极限学习机
降噪稀疏自编码器
稀疏性
深度学习
特征提取
在线阅读
下载PDF
职称材料
深度稀疏自编码器在ECG特征提取中的应用
被引量：
10
3
作者
郑淋文
周金治
黄静
《计算机工程与应用》
CSCD
北大核心
2021年第11期156-161,共6页
针对心电(ECG)信号智能分析模型中,复杂波形的特征提取困难,人工设计特征造成源信号特征丢失,标签样本不足等问题,提出了一种基于深度稀疏自编码器(Deep Sparse Auto-Encoders,DSAEs)的ECG特征提取方法。该方法在DSAEs进行贪婪逐层训练...
针对心电(ECG)信号智能分析模型中,复杂波形的特征提取困难,人工设计特征造成源信号特征丢失,标签样本不足等问题,提出了一种基于深度稀疏自编码器(Deep Sparse Auto-Encoders,DSAEs)的ECG特征提取方法。该方法在DSAEs进行贪婪逐层训练时,采用适应性矩阵估计(Adaptive moment estimation,Adam)对网络权重进行寻优,以此获得最优参数组合,同时提取出高层隐含层的输出,并作为ECG高度抽象的低维特征。最后利用支持向量机(Support Vector Machines,SVM)构建分类模型,完成对ECG的特征分类。使用MIT-BIH心律失常数据库的ECG数据进行仿真实验,结果表明,提出的ECG特征提取方法能有效地分层抽取特征,提高分类识别准确率。
展开更多
关键词
心电信号
特征提取
深度稀疏自编码器
适应性矩阵估计
支持向量机
在线阅读
下载PDF
职称材料
题名
基于改进深度稀疏自编码器及FOA-ELM的电力负荷预测
被引量：
28
1
作者
张淑清
要俊波
张立国
姜安琦
穆勇
机构
燕山大学河北省测试计量技术及仪器重点实验室
国网冀北电力有限公司唐山供电公司
出处
《仪器仪表学报》
EI
CAS
CSCD
北大核心
2020年第4期49-57,共9页
基金
国家重点研发计划(2018YFB0905500)
河北省自然科学基金(F2020203058,F2015203413)
+2 种基金
河北省科技计划中央引导地方科技发展专项资金(199477141G)
河北省重点研发计划(18211833D)
国网冀北电力有限公司唐山供电公司技术开发项目(SGJBTS00FZJS1902093)资助。
文摘
智能电网的发展使得电网获取的数据逐渐增多,为了从多维大数据中获取有用信息并对短期内电力负荷进行准确的预测,提出了一种基于改进的深度稀疏自编码器(IDSAE)降维及果蝇优化算法(FOA)优化极限学习机(ELM)的短期电力负荷预测方法。将L1正则化加入到深度稀疏自编码器(DSAE)中能够诱导出更好的稀疏性,用IDSAE对影响电力负荷预测精度的高维数据进行特征降维,消除了指标间的多重共线性,实现高维数据向低维空间的压缩编码。采用FOA优化算法优化ELM的权值和阈值,得到最优值,能够克服因极限学习机随机选择权值和阈值导致预测精度低的缺点。首先将气象因素通过IDSAE降维,得到稀疏后的综合气象因素特征指标,协同电力负荷数据作为FOA优化的ELM预测模型的输入向量进行电力负荷预测。通过与DSAE-FOAELM、DSAE-ELM和IDSAE-ELM等模型的对比实验,证明了提出的预测模型能有效提高预测精度,经计算得出预测精度提升大约8%。
关键词
短期电力负荷预测
深度稀疏自编码器(
dsae
)
降维
果蝇优化算法
极限学习机
Keywords
short-term power load forecasting
deep
sparse
auto-encod
er(
dsae
)
dimension reduction
fruit fly optimization algorithm(FOA)
extreme learning machine(ELM)
分类号
TH17 [机械工程—机械制造及自动化]
在线阅读
下载PDF
职称材料
题名
基于栈式降噪稀疏自编码器的极限学习机
被引量：
14
2
作者
张国令
王晓丹
李睿
来杰
向前
机构
空军工程大学防空反导学院
出处
《计算机工程》
CAS
CSCD
北大核心
2020年第9期61-67,共7页
基金
国家自然科学基金(61876189,61273275,61806219,61703426)。
文摘
极限学习机(ELM)随机选择网络输入权重和隐层偏置,存在网络结构复杂和鲁棒性较弱的不足。为此,提出基于栈式降噪稀疏自编码器(sDSAE)的ELM算法。利用sDSAE稀疏网络的优势,挖掘目标数据的深层特征,为ELM产生输入权值与隐层偏置以求得隐层输出权值,完成训练分类器,同时通过加入稀疏性约束优化网络结构,提高算法分类准确率。实验结果表明,与ELM、PCA-ELM、ELM-AE和DAE-ELM算法相比,该算法在处理高维含噪数据时分类准确率较高,并且具有较强的鲁棒性。
关键词
极限学习机
降噪稀疏自编码器
稀疏性
深度学习
特征提取
Keywords
Extreme Learning Machine(ELM)
Denoising
sparse
auto-encod
er(
dsae
)
spars
ity
deep
learning
feature extraction
分类号
TP181 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
深度稀疏自编码器在ECG特征提取中的应用
被引量：
10
3
作者
郑淋文
周金治
黄静
机构
西南科技大学信息工程学院
特殊环境机器人技术四川省重点实验室
出处
《计算机工程与应用》
CSCD
北大核心
2021年第11期156-161,共6页
基金
国家自然科学基金(51475453)
四川省科技创新苗子工程(19MZGC0201)。
文摘
针对心电(ECG)信号智能分析模型中,复杂波形的特征提取困难,人工设计特征造成源信号特征丢失,标签样本不足等问题,提出了一种基于深度稀疏自编码器(Deep Sparse Auto-Encoders,DSAEs)的ECG特征提取方法。该方法在DSAEs进行贪婪逐层训练时,采用适应性矩阵估计(Adaptive moment estimation,Adam)对网络权重进行寻优,以此获得最优参数组合,同时提取出高层隐含层的输出,并作为ECG高度抽象的低维特征。最后利用支持向量机(Support Vector Machines,SVM)构建分类模型,完成对ECG的特征分类。使用MIT-BIH心律失常数据库的ECG数据进行仿真实验,结果表明,提出的ECG特征提取方法能有效地分层抽取特征,提高分类识别准确率。
关键词
心电信号
特征提取
深度稀疏自编码器
适应性矩阵估计
支持向量机
Keywords
ECG signal
feature extraction
deep
sparse
auto-encoders
(
dsaes
)
Adaptive moment estimation(Adam)
Support Vector Machines(SVM)
分类号
TP391 [自动化与计算机技术—计算机应用技术]
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
基于改进深度稀疏自编码器及FOA-ELM的电力负荷预测
张淑清
要俊波
张立国
姜安琦
穆勇
《仪器仪表学报》
EI
CAS
CSCD
北大核心
2020
28
在线阅读
下载PDF
职称材料
2
基于栈式降噪稀疏自编码器的极限学习机
张国令
王晓丹
李睿
来杰
向前
《计算机工程》
CAS
CSCD
北大核心
2020
14
在线阅读
下载PDF
职称材料
3
深度稀疏自编码器在ECG特征提取中的应用
郑淋文
周金治
黄静
《计算机工程与应用》
CSCD
北大核心
2021
10
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
