基于无限深度神经网络的电能信息计量方法

针对现有技术电能计量资产信息繁多、管理滞后的问题,提出一种电能信息计算方法,这种方法能在物联网络内随时随地实现电能计量信息的计算与处理,提高数据即时性,并构建出大数据挖掘算法,实现不同阶段、不同数据信息的分析与挖掘。通过构建出无限深度神经网络模型,将不同生命周期的电能计量资产数据有机融合在一起,实现不同种类数据的挖掘、融合、计算和分析,提高资产数据管理的能力。试验表明,所提出的方法数据挖掘能力强,准确度高,高达92%以上。

大数据分析的无限深度神经网络方法

深度神经网络(deep neural networks,DNNs)及其学习算法,作为成功的大数据分析方法,已为学术界和工业界所熟知.与传统方法相比,深度学习方法以数据驱动、能自动地从数据中提取特征(知识),对于分析非结构化、模式不明多变、跨领域的大数据具有显著优势.目前,在大数据分析中使用的深度神经网络主要是前馈神经网络(feedforward neural networks,FNNs),这种网络擅长提取静态数据的相关关系,适用于基于分类的数据应用场景.但是受到自身结构本质的限制,它提取数据时序特征的能力有限.无限深度神经网络(infinite deep neural networks)是一种具有反馈连接的回复式神经网络(recurrent neural networks,RNNs),本质上是一个动力学系统,网络状态随时间演化是这种网络的本质属性,它耦合了"时间参数",更加适用于提取数据的时序特征,从而进行大数据的预测.将这种网络的反馈结构在时间维度展开,随着时间的运行,这种网络可以"无限深",故称之为无限深度神经网络.重点介绍这种网络的拓扑结构和若干学习算法及其在语音识别和图像理解领域的成功实例.

基于无限深度神经网络的非平衡大数据集群匿名化调度算法

以提升非平衡大数据集群数据调度的高效性、准确性、安全性为目的,提出基于无限深度神经网络的非平衡大数据集群匿名化调度算法。数据采集模块利用传感器采集非平衡大数据集群中各节点服务器的数据信息,传输至数据分类模块的深度最小最大概率机中,通过卷积神经网络的端对端方式,训练获得的非平衡大数据,提取原始大数据高级特征,以最小最大概率机作为分类器,实现非平衡大数据的分类;应用数据匿名化模块的K-匿名化算法匿名化处理分类后的数据信息,经数据调度模块中基于蚁群算法的负载均衡调度方法,进行非平衡大数据集群各节点、任务的实时调度。实验结果表明:该算法可提升非平衡大数据的分类准确度,降低信息损失率、泄密风险,并可充分调度优势节点与空闲节点实现任务的均衡分配,提升非平衡大数据集群的任务调度能力。

基于物联网技术的智能电力计量系统研究

针对智能电力计量系统在应用过程中存在数据采集滞后、数据管理能力差的问题,提出了基于物联网技术的智能电力计量系统,该系统又融入了基于无限深度神经网络模型的大数据处理算法,通过深度挖掘的数学算法实现电力计量数据的分析,同时也实现了电力计量数据的采集、传递和分析,提高了电力计量数据自动化、智能高效管理水平。试验表明,本研究的方法准确率高达92%以上,数据采集速度快。