基于深度高斯过程的永磁牵引电机匝间短路分级评估方法

定子绕组匝间短路是影响永磁牵引电机安全稳定运行的主要故障之一,受运行工况、供电与电机本体不平衡的影响,现有方法难以实现永磁牵引电机匝间短路在线精准评估,这成为永磁电机推广应用迫切需要解决的关键技术难题。因此,文章提出一种基于多特征融合的深度高斯过程永磁牵引电机匝间短路分级评估方法:首先通过建立永磁牵引电机匝间短路故障模型,提取电流不平衡、电流三次谐波与dq电流的二次谐波特征;然后采用一种双随机变分推断深度高斯过程(Doubly Stochastic Deep Gaussian Processes,DSDGP)方法对提取特征进行融合训练建模,实现永磁牵引电机匝间短路劣化状态在线分级评估;最后通过永磁电机匝间短路试验与现场案例进行算法验证。结果表明,文章所提方法在多特征融合条件下的评估准确率达到95%以上,相较于支持向量机(support vector machine,SVM)和反向传播神经网络(back-propagation neural,BPN)等分类方法,具有准确率高,适用于变工况、小样本的工程实际应用环境等优点,解决了永磁牵引电机匝间短路早期故障检测及故障严重程度评估的行业难题。

面向多元未知环境的基于深度高斯过程组合导航轨迹预测方法

传统惯导/卫导组合导航在多元复杂环境下易受干扰,从而导致观测量异常影响导航性能。以无人驾驶车辆为研究对象,展开提升组合导航系统导航精度的研究。采用深度高斯过程(deep Gaussian process,DGP)辅助估计位置的方法减小组合导航误差,提高定位性能。基于DGP的辅助导航方法不仅可以预测无人驾驶车辆的标称轨迹,同时可以预测各时刻位置可信区间的概率分布,为基于深度学习模型的数据融合预测方法提供了严格的理论解释性。真实历史数据下的多重对比实验表明,该算法较传统深度神经网络算法具有更高的精度和可靠性。基于DGP的辅助导航方式能有效提高全球卫星定位系统信号失锁时的导航模型性能,实验表明相对于纯惯性导航系统(integral navigation system,INS)解算和长短期记忆(long and short term memory,LSTM)进行导航信号补偿定位精度分别提高了97.32%和52.13%。

基于深度高斯过程回归的术中失血量和血红蛋白损失量估计

动态、准确地估计失血量对围手术期管理非常重要,但测量术中失血量是一项困难的任务,特别是当血液被医用纱布吸收时。针对上述情况,以浸血医用纱布图像为研究对象,提出一种基于密集连接卷积网络(DenseNet)的深度多任务高斯过程回归(DMGPR)方法,以估计术中失血量和血红蛋白(Hb)损失量。DMGPR方法包括两部分:用于自动特征提取的密集连接卷积网络(DenseNet)和用于失血量及Hb损失量估计的多任务高斯回归过程(MGPR)。在手术室正常光照条件下,采集了569张浸血纱布图像,并对这些图像进行在线扩充,构建实验数据集。以决定系数(R2)、均方误差(MSE)和平均绝对误差(MAE)为性能指标,对DMGPR方法进行评估和对比。在失血量估计方面,DMGPR方法的R2、MSE和MAE分别为0.971、0.080和0.151;而在Hb损失量估计方面,DMGPR方法的相应结果分别为0.950、0.217和0.292。实验结果表明,DMGPR可以动态、准确地估计术中失血量和Hb损失量,并且比其他对比方法具有更好的性能,更适合于主要使用医用纱布和小到中度失血的手术。

深度高斯过程辅助的光阴极注入器优化设计

环形正负电子对撞机(CEPC)对注入器出口处的束团的电荷量、横向发射度、纵向长度等指标提出了严格的要求,设计开发高性能的电子枪及注入器成为了重要挑战。为了得到满足指标的束流,必须同时考虑众多非线性且相互耦合的变量。基于光阴极微波电子枪,提出了一种用多目标遗传算法在高维参数空间进行搜索的方法,对束团的横向归一化发射度和纵向长度进行优化,以期将电子枪的性能发挥至极限。由于考虑空间电荷效应后的束团传输过程模拟计算非常耗时,我们构建了一个3层的深度高斯过程作为替代模型,以解决目标值计算开销大的问题。通过对影响束流横、纵向相空间演化的关键因素分析,共确定了16个几何参数和10个束流元件参数。最后,展示了对由一个L-band的常温微波电子枪、一对螺线管和一个行波加速管组成的注入器,在初始电荷量为10 nC的优化结果。在计算了8000个有效解后,观察到在两个优化目标上均表现良好的解,其对应的横向归一化发射度为19.8π·mm·mrad,束团长度(RMS)为1.0 mm,与当前的设计结果比较,横向归一化发射度压低了约70%。

基于深度高斯过程的多元类别数据分布估计

多元类别数据的可能取值会随向量长度的增长呈指数级增长,从而造成数据稀疏性问题。通过将观察数据嵌入到连续空间中训练识别数据之间的相似性,构建多元类别数据的线性高斯隐变量模型和类别隐高斯过程(CLGP)。在CLGP模型基础上,建立小样本多元类别数据分布估计的多元类别深度隐高斯过程模型,并结合蒙特卡洛采样的变分推断方法对模型进行参数优化。实验结果表明,与CLGP模型相比,该模型分布估计精确度有所提升。

新能源电力系统中的分布式光伏净负荷预测

为响应碳达峰、碳中和的需求,构建一套完整的"源-网-荷-储"的新能源电力系统,提出了一种基于Hamiltonian Monte Carlo推断深度高斯过程(HMCDGP)算法的分布式光伏净负荷预测模型.首先,分别使用直接预测和间接预测两种形式对预测模型的精度进行实验并得到点预测结果;其次,使用所提出的模型进行概率预测实验并得到区间预测结果;最后,通过以澳洲电网记录的300户净负荷数据为基础的对比实验验证所提模型的优越性.在得到准确的净负荷概率预测后,可以通过电力调度充分利用光伏产出,减少化石能源使用,从而减少碳排放.

一种改进的小批量手写体字符识别算法

在机器学习领域,从少量样本中高效的学习仍然是一个巨大的挑战.本文借鉴度量学习的思想,基于深度高斯过程模型这一非参数模型,提出了用于小批量手写字符识别的深度高斯匹配网络.该框架可以自适应的学习到一种将以标注支撑集和未标注的样本映射能够有效到其标签的深度结构,同时避免因训练数据不足而出现的过拟合现象.在深度高斯过程模型的训练阶段,运用标准化流方法构造灵活的变分分布,改善了推断的质量.并且在稀疏化高斯模型以降低计算量时,使用最优k均值方法寻找伪点.在Omniglot和Mini Image数据集上的实验结果表明,相比于传统的CNN,本文算法在单学习样本中的准确率均有所提高,并且本文模型不依赖于微调,同时计算量也得到了控制.