基于N-BEATS与辅助编码器的短期电力负荷预测

短期电力负荷预测的准确性对智能电网平稳高效运行具有重要意义,但多种因素影响下的负荷数据具有较强的非平稳性与随机波动性,使得高精度的短期电力负荷预测面临挑战。为充分挖掘负荷序列中的趋势特征与周期性特征,准确提取与电力负荷存在潜在相关性的辅助信息特征,提升短期电力负荷预测精度,该文提出了一种基于神经基扩展分析(neural basis expansion analysis,N-BEATS)与辅助编码器的短期电力负荷预测模型。该模型包含两个并行的编码器,基于神经基扩展分析(neural basis expansion analysis,N-BEATS)模型的负荷特征编码器和基于多头注意力机制的辅助信息编码器,分别用于学习负荷数据中的时序特征与辅助信息特征。同时,构建特征融合模块将时序特征和辅助信息特征构造成联合特征向量,并设计基于门控循环单元(gated recurrent unit,GRU)的预测解码器模块进行短期电力负荷预测。在GEFCom2014公开数据集上进行实验,结果表明所提方法与长短期记忆(long short-termmemory,LSTM)网络模型、卷积神经网络(convolutional neural network,CNN)-LSTM网络模型、序列到序列(sequence-to-sequence,Seq2Seq)网络模型、季节自回归差分移动平均(seasonal autoregressive integrated moving average,SARIMA)模型及支持向量回归模型(support vector returns,SVR)等基线模型相比,在预测精度方面具有明显优势,平均绝对百分比误差(mean absolute percentage error,MAPE)平均提升了24.16%。

Optimization of communication topology for persistent formation in case of communication faults

To address the optimization problem of communication topology for persistent formation in the case of communication faults such as link interruption,transmitter failure,and receiver failure a two-stage model including fast reconstruction of communication topology and re-optimization of communication topology is constructed.Then,a fast reconstruction algorithm of communication topology for persistent formation(FRA-CT-PF),based on optimally rigid graph,arc addition operation,and path reversal operation,is proposed,which can quickly generate a feasible reconstructed communication topology after communication faults,thus ensuring the safety of the agents and maintaining the formation shape of persistent formation.Furthermore,a re-optimization algorithm of communication topology for persistent formation(ROA-CTPF),based on agent position exchange,is proposed,which can further obtain a reoptimized communication topology to minimize the formation communication cost while still maintaining the formation shape of persistent formation.The time complexities of these two algorithms are also analyzed.Finally,the effectiveness of the above algorithms is verified by numerical experiments.Compared with existing algorithms,FRA-CT-PF can always obtain feasible reconstructed communication topology in much less time under all communication fault scenarios,and ROA-CT-PF can obtain a reoptimized communication topology to further reduce the formation communication cost in a shorter time.

语音识别系统对抗样本攻击及防御综述

语音是人类与智能手机或智能家电等现代智能设备进行通信的一种常用而有效的方式。随着计算机和网络技术的显著进步,语音识别系统得到了广泛的应用,它可以将用户发出的语音指令解释为智能设备上可以理解的数字指令或信号,实现用户与这些设备的远程交互功能。近年来,深度学习技术的进步推动了语音识别系统发展,使得语音识别系统的精度和可用性不断提高。然而深度学习技术自身还存在未解决的安全性问题,例如对抗样本。对抗样本是指在模型的预测阶段,通过对预测样本添加细微的扰动,使模型以高置信度给出一个错误的目标类别输出。目前对于对抗样本的攻击及防御研究主要集中在计算机视觉领域而忽略了语音识别系统模型的安全问题,当今最先进的语音识别系统由于采用深度学习技术也面临着对抗样本攻击带来的巨大安全威胁。针对语音识别系统模型同样面临对抗样本的风险,本文对语音识别系统的对抗样本攻击和防御提供了一个系统的综述。我们概述了不同类型语音对抗样本攻击的基本原理并对目前最先进的语音对抗样本生成方法进行了全面的比较和讨论。同时,为了构建更安全的语音识别系统,我们讨论了现有语音对抗样本的防御策略并展望了该领域未来的研究方向。