检索结果-南通市图书馆

基于EEMD-AE-LSTM的生活用电短期负荷预测

在线全文

学校读者我要写书评

暂无评论

计算机应用与软件 2024年第3期41卷 70-74,123页

作者：张洁莹石元博辽宁石油化工大学计算机与通信工程学院辽宁抚顺113001

生活用电负荷随机性高,使用单一的预测模型进行预测会造成预测结果精度不高并且预测时间比较长。建立集合经验模态分解(EEMD)-自动编码器(AE)-长短期记忆网络(LSTM)的组合预测模型用来预测生活用电短期负荷。采用EEMD算法将负荷数据分... 详细信息

生活用电负荷随机性高,使用单一的预测模型进行预测会造成预测结果精度不高并且预测时间比较长。建立集合经验模态分解(EEMD)-自动编码器(AE)-长短期记忆网络(LSTM)的组合预测模型用来预测生活用电短期负荷。采用EEMD算法将负荷数据分解为有限个本征模态分量(IMF)和一个残差分量,与自动编码器训练得到的特征序列组合,并建立LSTM模型预测线性加权产生最终预测结果。实验结果表明,相对于其他模型,EEMD-AE-LSTM模型的预测精度更高,是一种较为有效的生活用电短期负荷预测方法。

关键词：集合经验模态分解短期负荷预测自动编码器长短期记忆网络组合预测

云-边融合的可验证隐私保护跨域联邦学习方案

在线全文

学校读者我要写书评

暂无评论

计算机工程 2024年第3期50卷 148-155页

作者：张晓均李兴鹏唐伟郝云溥薛婧婷西南石油大学计算机科学学院网络空间安全研究中心四川成都610500

联邦学习技术的飞速发展促进不同终端用户数据协同训练梯度模型,其显著特征是训练数据集不离开本地设备,只有梯度模型在本地进行更新并共享,使边缘服务器生成全局梯度模型。然而,本地设备间的异构性会影响训练性能,且共享梯度模型更新... 详细信息

联邦学习技术的飞速发展促进不同终端用户数据协同训练梯度模型,其显著特征是训练数据集不离开本地设备,只有梯度模型在本地进行更新并共享,使边缘服务器生成全局梯度模型。然而,本地设备间的异构性会影响训练性能,且共享梯度模型更新具有隐私泄密与恶意篡改威胁。提出云-边融合的可验证隐私保护跨域联邦学习方案。在方案中,终端用户利用单掩码盲化技术保护数据隐私,利用基于向量内积的签名算法产生梯度模型的签名,边缘服务器通过盲化技术聚合隐私数据并产生去盲化聚合签名,确保全局梯度模型更新与共享过程的不可篡改性。采用多区域权重转发技术解决异构网络中设备计算资源与通信开销受限的问题。实验结果表明,该方案能够安全高效地部署在异构网络中,并在MNIST、SVHN、CIFAR-10和CIFAR-1004个基准数据集上进行系统实验仿真,与经典联邦学习方案相比,在精度相当的情况下,本文方案梯度模型收敛速度平均提高了21.6%。

关键词：联邦学习全局梯度模型数据隐私可验证隐私保护跨域训练

同方期刊数据库

结合光谱降维的IPSO-SVR水体总磷浓度预测模型

在线全文

学校读者我要写书评

暂无评论

水土保持通报 2024年第2期44卷 196-204页

作者：王彩玲张国浩西安石油大学计算机学院陕西西安710065

[目的]选择最优模型对水体中总磷浓度进行预测,为准确、实时、高效检测水资源状况提供支持。[方法]以2021年在长江中下游武汉—安徽地区采集的水质样本作为研究对象,首先,对采集到的长江光谱数据进行最大最小归一化和均值中心化两种预... 详细信息

[目的]选择最优模型对水体中总磷浓度进行预测,为准确、实时、高效检测水资源状况提供支持。[方法]以2021年在长江中下游武汉—安徽地区采集的水质样本作为研究对象,首先,对采集到的长江光谱数据进行最大最小归一化和均值中心化两种预处理操作以便统一数据的范围和均值点,并使用核主成分分析(KPCA)技术对预处理后的光谱数据进行降维操作。选取方差解释率为99.6%下的6个特征向量进行后续预测模型的训练,接着在原有粒子群算法的基础上引入自适应惯性权重更新公式和遗传—模拟退火变异思想,提高算法的寻优能力。使用改进的粒子群优化算法对支持向量回归模型中的超参数组合进行寻优,对支持向量回归模型使用输出的结果进行预测模型的训练,最后使用测试集数据进行总磷浓度的预测。[结果]提出了一种结合光谱降维的改进粒子群优化算法(IPSO)结合支持向量回归(SVR)的水体总磷含量预测模型。通过和当前预测性能较好的几种机器学习模型进行精度的比较发现,该试验模型对长江水体总磷浓度进行预测时决定系数(R^(2))为0.973920,均方根差(RMSE)为0.003012,平均绝对误差(MAE)为0.002105。[结论]使用光谱数据结合降维技术、粒子群优化算法和机器学习模型的算法融合模型检测水体总磷浓度可行性强,精确度高,且拟合效果良好。

关键词：高光谱 IPSO-SVR模型 KPCA降维长江水质总磷浓度检测

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

多示例学习的簇频繁性分析及双角度融合嵌入

南京大学学报(自然科学) 2024年第4期 531-541页

作者：杨梅张靖宇闵帆方宇西南石油大学计算机与软件学院西南石油大学人工智能研究院西南石油大学机器学习研究中心

多示例学习（Multi-Instance Learning,MIL）的训练数据是由若干个未带标记的示例组成的带标记的包，基于嵌入的方法，通过将包嵌入成单向量来解决包表示问题，然而大部分现有方法忽略了示例与包的联系，难以保证所选示例的代表性.同时... 详细信息

多示例学习（Multi-Instance Learning,MIL）的训练数据是由若干个未带标记的示例组成的带标记的包，基于嵌入的方法，通过将包嵌入成单向量来解决包表示问题，然而大部分现有方法忽略了示例与包的联系，难以保证所选示例的代表性.同时，单角度的嵌入方法无法有效地提取正、负包的差异信息，使嵌入向量的质量较差.提出一种多示例学习的簇频繁性分析及双角度融合嵌入（FADE）.簇频繁性分析技术从正、负子空间中分别筛选部分示例作为子空间的簇心，依据簇心将子空间聚类成簇，再计算簇频繁性指标，选择频繁性较高的簇的簇心组成子空间代表示例集.双角度融合嵌入技术基于正、负子空间代表示例集和差值嵌入函数，分别从正、负角度挖掘信息，融合两个角度信息获得最终的嵌入向量.在29个数据集上与七个MIL算法进行了对比实验，结果表明，FADE的分类准确率总体上优于七个对比算法，在图像数据集上有显著优势，在文本和网页数据集上也表现良好.

关键词：多示例学习嵌入方法簇频繁性示例来源双角度融合

融合梯度预测和无参注意力的高效地震去噪Transformer

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

计算机科学与探索 2024年

作者：高磊乔昊炜梁东升闵帆杨梅西南石油大学计算机与软件学院西南石油大学人工智能研究院西南石油大学机器学习研究中心

压制随机噪声能够有效提升地震数据的信噪比(SNR)。近年来，基于卷积神经网络(CNN)的深度学习方法在地震数据去噪领域展现出显著性能。然而，CNN中的卷积操作由于感受野的限制通常只能捕获局部信息而不能建立全局信息的长距离连接，可... 详细信息

压制随机噪声能够有效提升地震数据的信噪比(SNR)。近年来，基于卷积神经网络(CNN)的深度学习方法在地震数据去噪领域展现出显著性能。然而，CNN中的卷积操作由于感受野的限制通常只能捕获局部信息而不能建立全局信息的长距离连接，可能会导致细节信息的丢失。针对地震数据去噪问题，提出了一种融合梯度预测和无参注意力的??高效Transformer模型(ETGP)。首先，引入多头"转置"注意力来代替传统的多头注意力，它能在通道间计算注意力来表示全局信息，缓解了传统多头注意力复杂度过高的问题。其次，提出了无参注意力前馈神经网络，它能同时考虑空间和通道维度计算注意力权重，而不向网络增加参数。最后，设计了梯度预测网络以提取边缘信息，并将信息自适应地添加到并行Transformer的输入中，从而获得高质量的地震数据。在合成数据和野外数据上进行了实验，并与经典和先进的去噪方法进行了比较。结果表明，ETGP去噪方法不仅能更有效地压制随机噪声，并且在弱信号保留和同相轴连续性方面具有显著优势。

关键词：地震数据去噪卷积神经网络 Transformer 注意力模块梯度融合

基于压力—速度解耦的深水井筒多相流高精度数值模拟新算法

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

天然气工业 2024年第2期44卷 132-144页

作者：娄文强王志远孙大林张剑波孙小辉孙宝江油气钻完井技术国家工程研究中心·长江大学石油工程学院油气钻采工程湖北省重点实验室中国石油大学(华东)石油工程学院中国石油大学(华东)计算机科学与技术学院

深水钻完井过程中,受海水及海底地质条件复杂影响,井筒压力控制精度要求高、控制难度大。高精度、高稳定性的深水井筒多相流动模拟器成为解决井筒压力精细化控制的关键。为解决深水井筒高动态流动系统的预测难题,针对深水井筒多相流动... 详细信息

深水钻完井过程中,受海水及海底地质条件复杂影响,井筒压力控制精度要求高、控制难度大。高精度、高稳定性的深水井筒多相流动模拟器成为解决井筒压力精细化控制的关键。为解决深水井筒高动态流动系统的预测难题,针对深水井筒多相流动漂移流模型,将对流迎风分裂方法(AUSMV)的通量分裂方法与交错网格技术进行融合,优化了压力—密度解耦的高刚度问题,形成了压力—速度解耦的数值算法,并利用二阶优化守恒律的单调迎风—中心方案(OMUSCL2)空间重构+两步龙格库塔时间重构技术提升了数值算法的精度,最后建立了深水井筒多相流高精度数值求解算法,并验证了数值算法的精度与性能。研究结果表明:(1)与常规AUSMV算法相比,新算法具有较低的数值耗散,间断物理信息捕捉能力强,对井筒内气液两相前缘位置的识别度更高;(2)与注气量10×10^(4)m^(3)/d和15×10^(4)m^(3)/d井喷实验对比,新算法模拟井底压力的平均误差分别为1.79%和1.86%;(3)新算法在井口气体剧烈膨胀、超音速流动模拟方面表现出了良好的稳定性和鲁棒性。结论认为,该新算法不仅提升了常规数值算法的精度,同时可为复杂高动态流动系统的井筒压力调控提供有效的技术支撑,有助于提高我国深水井筒压力控制的理论水平,保障深水油气的有效开发。

关键词：深水多相流压力—速度解耦 OMUSCL2 AUSMV 交错网格

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

面向非均匀分布数据的代价敏感标记分布学习

西南大学学报（自然科学版） 2024年第5期46卷 40-50页

作者：樊俊张恒汝余一帆闵帆西南石油大学计算机科学学院成都610500 西南石油大学机器学习研究中心成都610500

标记歧义近年来在机器学习和数据挖掘领域备受关注.标记分布学习(LDL)通过为样本分配概率标记来解决标记歧义问题.现有的LDL方法主要是为处理训练数据均匀分布的情况而设计的.然而,在实际应用中,训练数据往往呈现非均匀分布.因此,提出... 详细信息

标记歧义近年来在机器学习和数据挖掘领域备受关注.标记分布学习(LDL)通过为样本分配概率标记来解决标记歧义问题.现有的LDL方法主要是为处理训练数据均匀分布的情况而设计的.然而,在实际应用中,训练数据往往呈现非均匀分布.因此,提出了一种代价敏感的标记分布学习方法(CSLDL),用以处理这种非均匀分布的数据.通过充分利用样本的密度信息,设计了一种新的损失函数.首先,将描述度集平均划分为多个区间,并统计这些区间中的样本个数,从而推导出每个类别标记的经验密度向量.其次,为了确保不同区间之间的连续性,利用邻居来对目标区间的经验密度进行修正.将经验密度向量与对称核进行卷积,以使每个区间不仅考虑当前区间,还考虑附近区间.最后,利用修正后的密度向量构建代价矩阵,并结合Kullback-Leibler(K-L)散度来处理非均匀分布的训练数据.CSLDL在10个真实世界的数据集上与6种最先进的算法进行了对比实验.实验结果充分验证了提出的方法的有效性和优越性.

关键词：标记分布学习标记歧义非均匀分布数据代价敏感样本密度

在线全文

学校读者我要写书评

暂无评论

高效联邦学习:范数加权聚合算法

计算机应用研究 2024年第3期41卷 694-699页

作者：陈攀张恒汝闵帆西南石油大学计算机科学学院成都610500 西南石油大学机器学习研究中心成都610500

在联邦学习中,跨客户端的非独立同分布(non-IID)数据导致全局模型收敛较慢,通信成本显著增加。现有方法通过收集客户端的标签分布信息来确定本地模型的聚合权重,以加快收敛速度,但这可能会泄露客户端的隐私。为了在不泄露客户端隐私的... 详细信息

在联邦学习中,跨客户端的非独立同分布(non-IID)数据导致全局模型收敛较慢,通信成本显著增加。现有方法通过收集客户端的标签分布信息来确定本地模型的聚合权重,以加快收敛速度,但这可能会泄露客户端的隐私。为了在不泄露客户端隐私的前提下解决non-IID数据导致的收敛速度降低的问题,提出FedNA聚合算法。该算法通过两种方法来实现这一目标。第一,FedNA根据本地模型类权重更新的L 1范数来分配聚合权重,以保留本地模型的贡献。第二,FedNA将客户端的缺失类对应的类权重更新置为0,以缓解缺失类对聚合的影响。在两个数据集上模拟了四种不同的数据分布进行实验。结果表明,与FedAvg相比,FedNA算法达到稳定状态所需的迭代次数最多可减少890次,降低44.5%的通信开销。FedNA在保护客户端隐私的同时加速了全局模型的收敛速度,降低了通信成本,可用于需要保护用户隐私且对通信效率敏感的场景。

关键词：联邦学习通信成本隐私保护非独立同分布聚合权重更新

同方期刊数据库

在线全文

学校读者我要写书评

暂无评论

识别高阶网络传播中最有影响力的节点

物理学报 2024年第4期73卷 314-323页

作者：李江刘影王伟周涛西南石油大学计算机科学学院成都610500 弗里堡大学物理系弗里堡1700 重庆医科大学公共卫生学院重庆400016 电子科技大学大数据研究中心成都611731

识别网络传播中最有影响力的节点是控制传播速度和范围的重要步骤,有助于加速有益信息扩散,抑制流行病、谣言和虚假信息的传播等.已有研究主要基于描述点对交互的低阶复杂网络.然而,现实中个体间的交互不仅发生在点对之间,也发生在3个... 详细信息

识别网络传播中最有影响力的节点是控制传播速度和范围的重要步骤,有助于加速有益信息扩散,抑制流行病、谣言和虚假信息的传播等.已有研究主要基于描述点对交互的低阶复杂网络.然而,现实中个体间的交互不仅发生在点对之间,也发生在3个及以上节点形成的群体中.群体交互可利用高阶网络来刻画,如单纯复形与超图.本文研究单纯复形上最有影响力的传播者识别方法.首先,提出单纯复形上易感-感染-恢复(SIR)微观马尔可夫链方程组,定量刻画单纯复形上的疾病传播动力学.接下来利用微观马尔可夫链方程组计算传播动力学中节点被感染的概率.基于网络结构与传播过程,定义节点的传播中心性,用于排序节点传播影响力.在两类合成单纯复形与4个真实单纯复形上的仿真结果表明,相比于现有高阶网络中心性和复杂网络中最优的中心性指标,本文提出的传播中心性能更准确地识别高阶网络中最有影响力的传播者.

关键词：高阶网络单纯复形节点影响力排序微观马尔可夫链复杂网络