基于数据分布自适应的迁移学习算法比较研究

机器学习通常要求训练数据和测试数据来源于同一特征空间并服从相同的分布,如果条件不满足,则需就要重新收集训练数据并重新训练模型。迁移学习作为解决这一问题的有效方法,其中基于数据分布的自适应迁移学习已成为该领域主要的研究方向之一。为比较已有数据分布自适应迁移学习算法性能,在3种公开数据集Image-CLEF、Amazon Review、Office-Caltech上通过TCA、JDA、CORAL、GFK、BDA、EasyTL算法验证6种算法的有效性,并分析比较它们之间的性能差异。结果表明,6种迁移学习算法在Image-CLEF、Amazon Review、Office-Caltech数据集上迁移效果依次降低,EasyTL算法在3种数据集上表现良好。

面向配电网投资决策的小样本关联规则自适应迁移学习方法

随着高比例清洁能源的接入以及供需交互的加深,配电网投资决策涉及清洁能源装机、自动化设备等新增要素,传统决策方法模型难以建立且求解复杂,难以满足电网精准化投资的要求。针对这一问题,首先基于已有指标体系,按照投入产出关系对常见指标进行分类,然后在此基础上提出一种面向配电网投资决策的自适应关联规则挖掘方法。该方法通过深度学习网络捕捉投资效益指标与投资项之间的关联关系,并引入数据分布自适应的迁移学习技术解决深度学习在电网投资决策过程中训练数据样本不足及电网新增投资措施缺乏实际运行样本参照的问题。通过挖掘投入-产出关联关系,构建基于投资效益机理分析的投资决策模型,最终辅助实现配电网投资规划方案的优选。基于某电网数据仿真并分析不同目标下的最优投资决策方案,实验结果表明,该自适应学习网络能有效捕捉电网多重指标下的投入产出关系,构建起投资措施与效益产出之间的桥梁,从而辅助决策者根据当地投资需求更灵活地制定投资决策方案。