检索结果-南通市图书馆

太原理工大学学报 2024年第1期55卷 102-110页

作者：郑杰牛哲文韩肖清陈武晖武宇翔太原理工大学电气与动力工程学院太原030024

【目的】基于集中式数据的深度学习可以有效提高风功率的预测精度,但数据泄露带来的严重后果令各风电场不断重视自身数据的保密,对数据驱动的风功率预测方法造成阻碍。【方法】针对上述问题,提出一种面向数据隐私保护的分布式多风电场... 详细信息

【目的】基于集中式数据的深度学习可以有效提高风功率的预测精度,但数据泄露带来的严重后果令各风电场不断重视自身数据的保密,对数据驱动的风功率预测方法造成阻碍。【方法】针对上述问题,提出一种面向数据隐私保护的分布式多风电场短期功率预测方法,利用横向联邦学习(federated learning,FL)框架完成对风电场的功率预测任务。首先,多个风电场采用分布训练方式,利用时序模式注意力(temporal pattern attention,TPA)机制和长短期记忆(long short-term memory,LSTM)网络组合成TPA-LSTM本地模型完成本地数据训练;再将这些本地模型的参数进行聚合处理,同时引入模型上传权重值,提高拟合效果好的本地模型的贡献率;最后实现全局模型参数的更新。【结果】实验结果证明,提出的方法在保证风电场数据隐私的前提下,获得的全局模型在多场景下具有良好的预测性能和泛化能力。

关键词：数据隐私横向联邦学习长短期记忆网络时序模式注意力功率预测

来源：

维普期刊数据库

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

基于CNN-TPA-GRU的电价预测模型研究与应用

引用

现代信息科技 2024年第1期8卷 165-169,174页

作者：刘科王玲霞苗伊王梓霁尚虹霖内蒙古龙源新能源发展有限公司内蒙古呼和浩特010000 华北电力大学(保定) 河北保定071003

文章介绍一种解决电力市场价格波动的电价预测方法。该方法利用卷积神经网络提取输入序列的局部特征,并降维处理。同时,应用时序模式注意力机制,考虑不同时间步之间的依赖关系,为每个时间步分配权重,优化门控循环单元的输入特征。该模型... 详细信息

文章介绍一种解决电力市场价格波动的电价预测方法。该方法利用卷积神经网络提取输入序列的局部特征,并降维处理。同时,应用时序模式注意力机制,考虑不同时间步之间的依赖关系,为每个时间步分配权重,优化门控循环单元的输入特征。该模型在TGE数据集上进行了验证,并与其他算法进行了比较,结果在各项评价指标上均达到最优,证实了其适应性和在电力现货市场中的可行性。

关键词：时序模式注意力循环神经网络电价预测卷积神经网络 GRU

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于深度学习的熵评估与模型压缩研究

基于深度学习的熵评估与模型压缩研究

引用

作者：李豪豪太原理工大学

学位级别：硕士

密码是保障信息安全的核心技术。现代密码系统主要由加密算法和密钥两部分组成,根据科考夫“加密算法公开而密钥不公开”的密码设计原则可知,密码系统的安全性只依赖于密钥的安全性,只要密钥不被破解,窃听者就无法获取明文信息,也就确... 详细信息

密码是保障信息安全的核心技术。现代密码系统主要由加密算法和密钥两部分组成,根据科考夫“加密算法公开而密钥不公开”的密码设计原则可知,密码系统的安全性只依赖于密钥的安全性,只要密钥不被破解,窃听者就无法获取明文信息,也就确保了信息的安全。当前,利用随机数发生器产生不可预测的随机数是获取密钥的主要手段,虽然大多数物理随机数发生器已获得理论安全证明,但是在实际应用中并不能默认其安全性,因为器件损坏、环境变化或窃听者实施的外部攻击等一系列因素均可能造成其内部熵源损坏,导致不可预料的输出。因此,针对随机数发生器熵源实施在线最小熵评估是确保随机数发生器应用安全性的重要手段。现有最小熵评估方法主要可分为理论建模法、统计检验法、机器学习法和深度学习法。其中,深度学习法利用深度学习模型自动学习分析熵源特征,识别和挖掘数据中可能存在的隐藏相关性和固定模式,具有准确性高和可硬件部署等优点,成为近年来的研究热点。然而,现有高性能深度学习模型存在参数量多、构造复杂、计算量大等缺点,不仅消耗硬件大量的存储空间、数据带宽和功耗,而且给硬件资源有限的物联网设备部署带来很大困难。因此,在保证最小熵评估准确性的前提情况下,实现神经网络在结构、参数和计算方面的优化,提高其在嵌入式系统、移动装置和智能传感器等物联网设备的部署能力,对于提高物联网信息具有重要意义。针对上述问题,本文提出了一种基于混合压缩深度学习模型的最小熵评估方法。设计了基于时序模式注意力机制的深度学习模型TPA-LSTM,实现了最小熵的高准确性评估。提出了基于渐进掩码剪枝和k-means++权重共享量化的混合压缩方法,将TPA-LSTM模型无损压缩175倍以上,降低了模型的复杂度和存储空间占用。构建了八种熵源数据集,并在其上对现有的最小熵评估方法做了对比实验,证明了本文所提方法的优越性。具体研究内容如下:1.改进了现有的最小熵评估方法,提高了其评估准确性。设计并训练了深度学习评估模型TPA-LSTM,其包括独热编码、长短期记忆网络、时序模式注意力机制和用于分类优化的全连接层。采集并构建了离散均匀分布、正态分布等五种代表性的算法数据集和三种广泛使用的物理熵源数据集,对比了NIST 800-90B、全连接网络预测器和循环神经网络预测器等三种不同的最小熵评估方法,证明TPA-LSTM模型评估最小熵的相对误差最小。2.提出了k-means++聚类量化方法,通过结合渐进剪枝、掩码加速和稀疏训练改进了现有剪枝方法。首先,分析了稀疏度和数据复杂度对于剪枝速度和模型准确性的影响,验证了改进的剪枝方法在压缩最小熵评估模型方面的有效性。之后,对随机聚类、线性聚类、基于密度的聚类方法和所提出的k-means++聚类量化方法进行了对比,分别研究了四种方法对于原始模型和剪枝模型的压缩效果。最终实验结果表明,k-means++聚类量化方法可以快速且无损地压缩原始模型和剪枝模型。3.提出基于渐进掩码剪枝和k-means++权重共享的混合压缩方法。首先,通过结合渐进剪枝策略和掩码加速等技术,将TPA-LSTM模型的权重参数减少了98%以上。之后,通过k-menas++聚类量化方法对剩余2%的权重参数进行共享,将单个参数的存储位宽由32位降低至2位。最终,通过使用所提出的混合压缩方法,将TPA-LSTM模型大小无损压缩175倍以上,最小熵相对评估误差在0.13%至0.43%之间。

关键词：模型压缩深度学习最小熵剪枝量化时序模式注意力

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：