基于欠完备自编码器的用户用电行为分类分析方法

针对电力大数据背景下用户用电行为复杂多变、分析困难的问题,提出了一种基于欠完备自编码器的用户用电行为分类分析方法。首先,通过欠完备自编码器对智能电表数据进行编码,实现对原始数据的特征抽取,并使用反向传播(BP)神经网络进行用户用电行为分类分析;然后,对最佳编码比率进行优选,并结合用户的典型用电特征作为神经网络的输入,提高了分类准确率;最后,在爱尔兰智能电表数据集上进行了仿真实验,并与直接使用BP神经网络进行对比,分析表明,文中所提出的用户用电行为分类分析方法不仅可以提高检测准确率,帮助电力公司更好地掌握用户用电规律,辅助需求响应实施,还能显著降低算法的运行时间。

一种欠完备自编码器调制识别技术

基于信号特征进行模式识别的调制识别方法需要先计算信号的高阶特征、高阶累积量再进行模式识别,整体设计复杂,特征不易计算。机器学习技术由于其强大的特征提取能力和分类能力,被广泛应用到模式识别领域中。针对调制识别问题,提出了一种基于欠完备自编码器的调制识别技术,使用欠完备自编码器进行调制信号的特征自动提取,再使用神经网络分类器进行分类识别。整体模型更为简洁,运算复杂度较低,有利于部署在硬件上进行实时识别。对常见的BPSK、QPSK、2ASK、2FSK、16QAM数字调制方式进行的识别实验表明,算法在信噪比10 dB时平均识别率高于0.97,并且在信噪比为0 dB时仍然有0.92以上的平均识别率。

智能车路系统交叉口的层级解耦及测评要素提取研究

随着人工智能和交通大数据技术的快速发展,智能车路系统(IVIS)作为一种改善道路性能的智能交通控制技术,得到了国内外学者的广泛研究。为了解决当前复杂环境下IVIS测评要素不足的问题,本文提出了智能车路系统层级解耦与测评要素提取的方法。通过建立IVIS交叉口测评要素高维矩阵,采用欠完备自编码器对高维矩阵进行线性降维,分析IVIS高维矩阵的耦合机理,有效降低数据的冗余度,并针对IVIS效率、环保、舒适性层级中数据的异质性和同质性特征,采用支持向量机—递归特征消除算法有效分层提取主体的测评要素,确定各测评要素的权重,最后利用SUMO仿真软件构建了IVIS交叉口仿真场景并完成了测评要素提取。该方法可以为IVIS测评指标体系的完善提供理论依据,为IVIS技术发展提供良好的支撑。