期刊文献+
共找到3篇文章
< 1 >
每页显示 20 50 100
抗噪性高斯过程用于风电系统暂态电压稳定性的评估 被引量:3
1
作者 王强 张津 李上杨 《南方电网技术》 CSCD 北大核心 2024年第9期126-137,共12页
基于机器学习的风电系统安全评估方法已成为当下热点,但对样本噪声影响不予以充分考虑,则难以保证系统暂态电压稳定性评估的准确性和可靠性。为此构建抗噪性高斯过程多分类模型(noisy input multi-class Gaussian process,NIMGP),首先,... 基于机器学习的风电系统安全评估方法已成为当下热点,但对样本噪声影响不予以充分考虑,则难以保证系统暂态电压稳定性评估的准确性和可靠性。为此构建抗噪性高斯过程多分类模型(noisy input multi-class Gaussian process,NIMGP),首先,引入稀疏高斯过程,选用诱导点代替部分原输入点进行训练,以降低模型计算的复杂度;其次,对模型中的输入数据引入可加性高斯噪声实现抗噪处理,通过泰勒级数法近似求解含噪声输入的高斯过程,使输入噪声转化为输出噪声、改善模型评估性能。最后,在含风电场的新英格兰39节点系统进行仿真,对系统暂态电压的稳定、临界和失稳状态及稳定样本的稳定裕度进行预测。多种不同工况仿真结果对比表明,NIMGP具有较强的泛化能力、在不同工况下仍有较好的预测精度。 展开更多
关键词 风电系统 稀疏高斯过程 抗噪性高斯过程 多分类 稳定裕度
在线阅读 下载PDF
基于带有噪声输入的稀疏高斯过程的人体姿态估计 被引量:7
2
作者 夏嘉欣 陈曦 +2 位作者 林金星 李伟鹏 吴奇 《自动化学报》 EI CSCD 北大核心 2019年第4期693-705,共13页
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
关键词 姿态估计 回归分析 稀疏高斯过程 噪声输入 视频处理
在线阅读 下载PDF
高斯过程混合模型在含噪输入预测策略下的煤矿瓦斯浓度柔性预测 被引量:10
3
作者 李晓燕 李弢 马尽文 《信号处理》 CSCD 北大核心 2021年第11期2031-2040,共10页
高斯过程回归是机器学习中解决非线性回归的一种典型回归方法。然而,单一的高斯过程难以拟合非平稳、多模态的时序数据。另外,在实际应用中需要预测的输入数据会受到噪声的干扰。为了克服这些问题,本文提出了含噪输入预测策略下的高斯... 高斯过程回归是机器学习中解决非线性回归的一种典型回归方法。然而,单一的高斯过程难以拟合非平稳、多模态的时序数据。另外,在实际应用中需要预测的输入数据会受到噪声的干扰。为了克服这些问题,本文提出了含噪输入预测策略下的高斯过程混合回归预测方法(niMGP),并针对煤矿瓦斯浓度数据进行了参数学习和柔性预测。与其他传统回归方法相比,这种柔性预测方法是在测试输入数据具有噪声干扰的情况下进行预测,使其结果更为鲁棒和准确。本文首先通过模拟实验验证了在具有固定信噪比的测试输入数据上,高斯过程混合模型在含噪输入预测策略下的回归结果在稳定性上优于其传统预测策略下的回归结果。本文进一步选取松藻煤矿中打通一矿的333944号传感器获取的实际瓦斯浓度数据片段,对其进行了适当的数据增强之后,通过实际数据的实验进一步表明,高斯过程混合模型采用含噪输入预测策略在数据回归分析的预测上相比传统预测策略具有更好的稳定性。实际中还可以通过调节测试输入数据中噪声分布的方差来调节预测的灵敏度,达到分级预警的效果。 展开更多
关键词 高斯过程混合模型 含噪输入策略 瓦斯浓度预测 机器学习 噪声干扰
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部