针对冶金等复杂工业建模过程中存在数据不足和算法冷启动的问题,沈阳自动化所数字工厂研究室科研团队提出了一种基于动态迁移学习的、在有限数据量下的工业过程时间序列预测方法,该方法以提高多步时序预测精度、降低计算成本为目标,建...针对冶金等复杂工业建模过程中存在数据不足和算法冷启动的问题,沈阳自动化所数字工厂研究室科研团队提出了一种基于动态迁移学习的、在有限数据量下的工业过程时间序列预测方法,该方法以提高多步时序预测精度、降低计算成本为目标,建立了复杂工业场景下的预测模型,提高了工业时序数据预测的准确性、高效性。相关成果已发表在中科院一区Top期刊IEEE Transactions on Industrial Informatics上。展开更多
针对含噪声工业时间序列数据的区间预测问题,本文提出了一种使用变分推理来数值求解回声状态网络(echo state network,ESN)集成模型参数的区间预测方法.在模型构建上,将ESN集成模型中各个ESN单元输出权值向量的先验分布方差设置为相互...针对含噪声工业时间序列数据的区间预测问题,本文提出了一种使用变分推理来数值求解回声状态网络(echo state network,ESN)集成模型参数的区间预测方法.在模型构建上,将ESN集成模型中各个ESN单元输出权值向量的先验分布方差设置为相互独立形式,相比较非独立形式更有利于模型稳定性;在模型参数求解上,本文提出用变分推理来近似推导出集成模型中所有不确定参数的联合后验概率分布,以分布中的参数均值作为模型参数值,相对于已有ESN集成模型使用最大化边缘似然度的参数估计方法效果更好.为验证提出方法的有效性,测试了人工数据集和钢铁企业真实煤气数据集.实验结果表明本文方法参数估计更为准确,在预测精度,区间质量和模型稳定性以及耗时方面表现优秀.展开更多
文摘针对冶金等复杂工业建模过程中存在数据不足和算法冷启动的问题,沈阳自动化所数字工厂研究室科研团队提出了一种基于动态迁移学习的、在有限数据量下的工业过程时间序列预测方法,该方法以提高多步时序预测精度、降低计算成本为目标,建立了复杂工业场景下的预测模型,提高了工业时序数据预测的准确性、高效性。相关成果已发表在中科院一区Top期刊IEEE Transactions on Industrial Informatics上。
文摘针对含噪声工业时间序列数据的区间预测问题,本文提出了一种使用变分推理来数值求解回声状态网络(echo state network,ESN)集成模型参数的区间预测方法.在模型构建上,将ESN集成模型中各个ESN单元输出权值向量的先验分布方差设置为相互独立形式,相比较非独立形式更有利于模型稳定性;在模型参数求解上,本文提出用变分推理来近似推导出集成模型中所有不确定参数的联合后验概率分布,以分布中的参数均值作为模型参数值,相对于已有ESN集成模型使用最大化边缘似然度的参数估计方法效果更好.为验证提出方法的有效性,测试了人工数据集和钢铁企业真实煤气数据集.实验结果表明本文方法参数估计更为准确,在预测精度,区间质量和模型稳定性以及耗时方面表现优秀.