基于增量学习的CNN-LSTM光伏功率预测

针对目前大部分光伏功率预测模型采用批量离线训练方式,且新建光伏电站训练数据较少的问题,本文提出一种基于增量学习的卷积神经网络(CNN)和长短期记忆(LSTM)网络结合的光伏功率预测模型。首先,采用CNN对气象数据进行特征提取,并通过LSTM网络进行功率预测,以此CNN-LSTM混合模型进行背景学习,训练出可用于增量学习的基准模型。其次,根据不同的时间跨度进行增量学习训练,实现模型的在线更新。针对增量学习中的灾难性遗忘问题,采用弹性权重整合(EWC)算法和在线弹性整合(Online_EWC)算法进行缓解。实验结果表明,相较于无约束的增量学习,采用EWC和Online_EWC方法的增量学习可以明显缓解灾难性遗忘问题,降低预测平均绝对误差(MAE)和均方根误差(RMSE);同时,在保证预测精度的前提下,增量学习的耗时大幅低于传统的批量学习。

西安高校综合型生态结构模式探析

该文通过调研西安高校新校区的校园生态结构环境和查阅相关校园的建设历史,分析了新建校区的规划原理与设计手法。结合国外关于弹性规划的理论思想,总结了一套适应西安地区的校园发展的生态结构模式——校园结构规划追随综合型生态模式,让西安的高校健康且充满活力地面对未来。

基于增量学习的不平衡虚假评论处理研究

【目的】为了维护电子商务市场的秩序,开发有效的虚假评论识别技术显得尤为重要。本文旨在解决虚假评论识别中的数据不平衡问题和模型学习过程中的灾难性遗忘问题。【方法】本文提出一种基于增量学习的虚假评论识别方法,以解决数据不平衡问题,并引入弹性权重整合技术,用于缓解模型在学习过程中可能出现的灾难性遗忘问题。【结果】在YelpCHI、YelpNYC和YelpZIP数据集上进行实验,对比现有先进方法En-HGAN,本文模型在在三个数据集上的F1值分别提升了17.2、16.1和13.3个百分点,AUC值提分别提升了12.8、13.8和13.6个百分点。【局限】在处理极端不平衡数据集时仍有改进空间,增量学习带来的灾难性遗忘仍然存在。【结论】本文方法能够有效识别虚假评论,为电子商务市场的诚信建设提供技术支持。

Rubbery neat carbon aerogels

Polymeric elastomers possess unique elastic mechanical properties that set them apart from other materials,and enable wide applications in a large variety of products such as elastic films,foams and tires.The polymer chains tend to be coil-like due to thermal fluctuation but can also be straightened by external forces,leading to large reversible deformations.