多尺度特征提取与非线性融合的综合能源系统多元负荷短期预测

为提高综合能源系统多元负荷短期预测的精度,提出一种基于多尺度特征提取与非线性融合的综合能源系统多元负荷短期预测方法。首先,采用皮尔逊相关系数对气象数据进行关联因子优选;然后,通过嵌入式分解模块将输入的时间序列分解为周期分量和趋势分量,并将分解后得到的输入矩阵并行送入到具有不同尺度卷积核的时间卷积网络中,进行多尺度特征提取;接着,将多尺度时间卷积网络输出的特征向量输入到各自对应的注意力机制,以进行全局信息的学习与融合;最后,采用自适应非线性融合模块对各注意力机制的输出进行非线性融合,得到最终多元负荷预测结果。实验结果表明,所提方法具有较好的预测性能及泛化性。

基于联邦学习的跨被试癫痫发作检测方法

提出一种基于联邦学习的跨被试癫痫发作检测方法,以解决由于数据类型不平衡和癫痫患者之间数据分布差异显著导致的深度检测模型训练数据不足和泛化性能低的问题.建立癫痫发作检测的联邦学习框架,聚合多个训练参与方的脑电图数据;设计多尺度时间卷积网络作为客户端局部模型,通过客户端局部模型的训练和参数聚合协作训练全局模型;为避免联邦训练过程中参数量过大,用量化压缩技术提高模型的传输效率.在CHB-MIT头皮脑电图数据中评估联邦学习全局模型的跨被试癫痫发作检测性能,取得平均71.21%的灵敏度和83.99%的准确率.结果表明,联邦学习在不交换各客户端隐私数据的前提下,能够融合局部模型参数生成独立于患者个体的公共检测模型,为跨被试癫痫发作检测提供有效方法.