为了解决不同时间采集的运动想象脑电数据之间存在的分布差异,避免跨时段使用前长时间的重校准步骤,提出了一种基于判别迁移特征学习(discriminative transfer feature learning,DTFL)的运动想象分类方法。DTFL通过联合匹配源域和目标...为了解决不同时间采集的运动想象脑电数据之间存在的分布差异,避免跨时段使用前长时间的重校准步骤,提出了一种基于判别迁移特征学习(discriminative transfer feature learning,DTFL)的运动想象分类方法。DTFL通过联合匹配源域和目标域之间的边缘分布和类条件分布来减少域间的差异,同时最大化类间距离和最小化类内距离来保留类判别信息,从而提升对运动想象的分类性能。基于DTFL的运动想象分类方法无需目标域脑电样本的类别信息,可以有效避免长时间的校准。在脑机接口竞赛数据集上的实验结果表明,DTFL显著优于其他迁移学习方法,有效缓解跨域分布的不一致性,提高了运动想象的分类正确率。展开更多
在双碳目标的背景下,虚拟电厂、微电网等形式的产消者大规模涌现。多产消者之间的能量共享能够提升整体的经济效益与新能源消纳水平。在计及各产消者数据隐私的基础上,文中提出弱中心化模式下的多产消者能量共享协同运行机制。首先,构...在双碳目标的背景下,虚拟电厂、微电网等形式的产消者大规模涌现。多产消者之间的能量共享能够提升整体的经济效益与新能源消纳水平。在计及各产消者数据隐私的基础上,文中提出弱中心化模式下的多产消者能量共享协同运行机制。首先,构建含多种分布式资源的产消者内部调度模型,并考虑负荷需求以及新能源出力的波动性与随机性,基于条件风险价值(conditional value at risk,CVaR)量化不确定性带来的风险。然后,提出多产消者弱中心化电价迭代机制,利用供需关系引导电价更新。同时考虑到产消者隐私保护,基于Paillier同态加密算法和秘密共享原理设计电量数据聚合方法。该方法能够在各方主体隐私得到保护的前提下获取系统的供需信息。最后,通过算例验证了文中所提机制的有效性与合理性,且经过能量共享后多产消者整体成本降低12.6%。展开更多
文摘为了解决不同时间采集的运动想象脑电数据之间存在的分布差异,避免跨时段使用前长时间的重校准步骤,提出了一种基于判别迁移特征学习(discriminative transfer feature learning,DTFL)的运动想象分类方法。DTFL通过联合匹配源域和目标域之间的边缘分布和类条件分布来减少域间的差异,同时最大化类间距离和最小化类内距离来保留类判别信息,从而提升对运动想象的分类性能。基于DTFL的运动想象分类方法无需目标域脑电样本的类别信息,可以有效避免长时间的校准。在脑机接口竞赛数据集上的实验结果表明,DTFL显著优于其他迁移学习方法,有效缓解跨域分布的不一致性,提高了运动想象的分类正确率。
文摘在双碳目标的背景下,虚拟电厂、微电网等形式的产消者大规模涌现。多产消者之间的能量共享能够提升整体的经济效益与新能源消纳水平。在计及各产消者数据隐私的基础上,文中提出弱中心化模式下的多产消者能量共享协同运行机制。首先,构建含多种分布式资源的产消者内部调度模型,并考虑负荷需求以及新能源出力的波动性与随机性,基于条件风险价值(conditional value at risk,CVaR)量化不确定性带来的风险。然后,提出多产消者弱中心化电价迭代机制,利用供需关系引导电价更新。同时考虑到产消者隐私保护,基于Paillier同态加密算法和秘密共享原理设计电量数据聚合方法。该方法能够在各方主体隐私得到保护的前提下获取系统的供需信息。最后,通过算例验证了文中所提机制的有效性与合理性,且经过能量共享后多产消者整体成本降低12.6%。
