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
结合注意力机制与深度强化学习的超短期光伏功率预测
被引量：
12
1
作者
丁正凯
傅启明
+4 位作者
陈建平
陆悠
吴宏杰
方能炜
邢镔
《计算机应用》
CSCD
北大核心
2023年第5期1647-1654,共8页
针对传统光伏(PV)功率预测模型受功率随机波动性影响以及易忽略重要信息导致预测精度低的问题,将注意力机制分别与深度确定性策略梯度(DDPG)和循环确定性策略梯度(RDPG)相结合提出了ADDPG和ARDPG模型,并在此基础上提出一个PV功率预测框...
针对传统光伏(PV)功率预测模型受功率随机波动性影响以及易忽略重要信息导致预测精度低的问题,将注意力机制分别与深度确定性策略梯度(DDPG)和循环确定性策略梯度(RDPG)相结合提出了ADDPG和ARDPG模型,并在此基础上提出一个PV功率预测框架。首先,将原始PV功率数据以及气象数据标准化,并将PV功率预测问题建模为马尔可夫决策过程(MDP),历史功率数据和当前气象数据则作为MDP的状态;然后,将注意力机制加入DDPG和RDPG的Actor网络,赋予状态中各个分量不同的权重来突出重要且关键的信息,并通过深度强化学习智能体和历史数据的交互来学习数据中的关键信息;最后,求解MDP问题得到最优的策略,作出准确的预测。在DKASC、Alice Springs光伏系统数据上的实验结果表明,ADDPG和ARDPG在均方根误差(RMSE)、平均绝对误差(MAE)和决定系数(R2)上均取得了最优结果。可见,所提模型能够有效提高PV功率的预测精度,也可以推广到其他预测领域如电网预测、风力发电预测等。
展开更多
关键词
深度强化学习
注意力机制
光伏功率预测
深度确定性策略梯度
循环确定性策略梯度
在线阅读
下载PDF
职称材料
基于注意力机制编码器-解码器的手写数学公式识别模型
被引量：
3
2
作者
陈路
陈道喜
+1 位作者
陆一鸣
陆卫忠
《计算机应用》
CSCD
北大核心
2023年第4期1297-1302,共6页
针对现有的手写数学公式识别(HMER)方法经过卷积神经网络(CNN)多次池化后,图像分辨率降低、特征信息丢失,从而引起解析错误的问题,提出基于注意力机制编码器-解码器的HMER模型。首先,采用稠密卷积网络(DenseNet)作为编码器,使用稠密连...
针对现有的手写数学公式识别(HMER)方法经过卷积神经网络(CNN)多次池化后,图像分辨率降低、特征信息丢失,从而引起解析错误的问题,提出基于注意力机制编码器-解码器的HMER模型。首先,采用稠密卷积网络(DenseNet)作为编码器,使用稠密连接加强特征提取,促进梯度传播,并缓解梯度消失;其次,采用门控循环单元(GRU)作为解码器,并引入注意力机制,将注意力分配到图像的不同区域,从而准确地实现符号识别和结构分析;最后,对手写数学公式图像进行编码,将编码结果解码为LaTeX序列。在在线手写数学公式识别竞赛(CROHME)数据集上的实验结果表明,所提模型的识别率提升到40.39%,而在3个级别的允许误差范围内,识别率分别提升到52.74%、58.82%和62.98%。相较于双向长短期记忆(BLSTM)网络模型,所提模型的识别率提高了3.17个百分点;而在3个级别的允许误差范围内,识别率分别提高了8.52、11.56和12.78个百分点。可见,所提模型能够准确地解析手写数学公式图像,生成LaTeX序列,提升识别率。
展开更多
关键词
手写数学公式识别
编码器-解码器
稠密卷积网络
门控循环单元
注意力机制
在线阅读
下载PDF
职称材料
题名
结合注意力机制与深度强化学习的超短期光伏功率预测
被引量：
12
1
作者
丁正凯
傅启明
陈建平
陆悠
吴宏杰
方能炜
邢镔
机构
苏州
科技
大学
电子与信息工程学院
江苏省
建筑
智慧
节能
重点
实验室
(
苏州
科技
大学
)
苏州
科技
大学
建筑
与城市规划学院
重庆工业大数据创新中心有限公司
出处
《计算机应用》
CSCD
北大核心
2023年第5期1647-1654,共8页
基金
国家重点研发计划项目(2020YFC2006602)
国家自然科学基金资助项目(62102278,62072324,61876217,61876121,61772357)
+2 种基金
江苏省高校自然科学基金资助项目(21KJA520005)
江苏省重点研发计划项目(BE2020026)
江苏省自然科学基金资助项目(BK20190942)。
文摘
针对传统光伏(PV)功率预测模型受功率随机波动性影响以及易忽略重要信息导致预测精度低的问题,将注意力机制分别与深度确定性策略梯度(DDPG)和循环确定性策略梯度(RDPG)相结合提出了ADDPG和ARDPG模型,并在此基础上提出一个PV功率预测框架。首先,将原始PV功率数据以及气象数据标准化,并将PV功率预测问题建模为马尔可夫决策过程(MDP),历史功率数据和当前气象数据则作为MDP的状态;然后,将注意力机制加入DDPG和RDPG的Actor网络,赋予状态中各个分量不同的权重来突出重要且关键的信息,并通过深度强化学习智能体和历史数据的交互来学习数据中的关键信息;最后,求解MDP问题得到最优的策略,作出准确的预测。在DKASC、Alice Springs光伏系统数据上的实验结果表明,ADDPG和ARDPG在均方根误差(RMSE)、平均绝对误差(MAE)和决定系数(R2)上均取得了最优结果。可见,所提模型能够有效提高PV功率的预测精度,也可以推广到其他预测领域如电网预测、风力发电预测等。
关键词
深度强化学习
注意力机制
光伏功率预测
深度确定性策略梯度
循环确定性策略梯度
Keywords
deep reinforcement learning
attention mechanism
PhotoVoltaic(PV)power prediction
Deep Deterministic Policy Gradient(DDPG)
Recurrent Deterministic Policy Gradient(RDPG)
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
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
基于注意力机制编码器-解码器的手写数学公式识别模型
被引量：
3
2
作者
陈路
陈道喜
陆一鸣
陆卫忠
机构
苏州
科技
大学
电子与信息工程学院
江苏省
苏州
技师学院信息工程系
苏州
科技
大学
天平学院
江苏省
建筑
智慧
节能
重点
实验室
(
苏州
科技
大学
)
出处
《计算机应用》
CSCD
北大核心
2023年第4期1297-1302,共6页
基金
国家自然科学基金资助项目(61472267)。
文摘
针对现有的手写数学公式识别(HMER)方法经过卷积神经网络(CNN)多次池化后,图像分辨率降低、特征信息丢失,从而引起解析错误的问题,提出基于注意力机制编码器-解码器的HMER模型。首先,采用稠密卷积网络(DenseNet)作为编码器,使用稠密连接加强特征提取,促进梯度传播,并缓解梯度消失;其次,采用门控循环单元(GRU)作为解码器,并引入注意力机制,将注意力分配到图像的不同区域,从而准确地实现符号识别和结构分析;最后,对手写数学公式图像进行编码,将编码结果解码为LaTeX序列。在在线手写数学公式识别竞赛(CROHME)数据集上的实验结果表明,所提模型的识别率提升到40.39%,而在3个级别的允许误差范围内,识别率分别提升到52.74%、58.82%和62.98%。相较于双向长短期记忆(BLSTM)网络模型,所提模型的识别率提高了3.17个百分点;而在3个级别的允许误差范围内,识别率分别提高了8.52、11.56和12.78个百分点。可见,所提模型能够准确地解析手写数学公式图像,生成LaTeX序列,提升识别率。
关键词
手写数学公式识别
编码器-解码器
稠密卷积网络
门控循环单元
注意力机制
Keywords
Handwritten Mathematical Expression Recognition(HMER)
encoder-decoder
Densely connected convolutional Network(DenseNet)
Gated Recurrent Unit(GRU)
attention mechanism
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
结合注意力机制与深度强化学习的超短期光伏功率预测
丁正凯
傅启明
陈建平
陆悠
吴宏杰
方能炜
邢镔
《计算机应用》
CSCD
北大核心
2023
12
在线阅读
下载PDF
职称材料
2
基于注意力机制编码器-解码器的手写数学公式识别模型
陈路
陈道喜
陆一鸣
陆卫忠
《计算机应用》
CSCD
北大核心
2023
3
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
