知识与数据驱动机器学习模型的参数可辨识性理论分析与研究

随着现代经济水平的不断提升,现代社会逐渐成信息传播的时代,在此背景之下,基于信息数据驱动的各种机器逐渐成为数据处理的关键技术。分析知识与数据驱动机器学习模型的参数的可辨识性,对于相关研究来说具有重要的价值。基于此,文章主要对知识以及数据驱动机器学习模型的参数可辨识性的理论参数进行了分析,对其研究进行了探究分析。

基于专家知识与监测数据联合驱动的高压开关柜状态评估

高压开关柜(HVS)作为电力系统的关键设备,对其工作状况进行有效评估可以保障电力系统的安全稳定运行。在工程实践中,由于高压开关柜长期服役于潮湿、高温等恶劣环境下,不可避免的传感器失效或人为因素会导致其设备状态数据存在随机缺失的现象,从而破坏了数据的完整性和可用性,使得对数据质量要求较高的数据驱动方法难以直接用于解决高压开关柜状态评估的问题。为了解决上述问题,研究了一种基于专家知识和监测数据联合驱动的高压开关柜状态评估方法。首先,对高压开关柜系统的内部构成进行了深入分析,并根据区域中设备的功能不同将其分为电缆室、母线室和断路器室三大区域。其次,进一步分析了系统状态、各区域状态及其关键部件状态两两之间的因果关系,从而建立了适用于高压开关柜状态评估的三层贝叶斯网络(BN)拓扑结构。然后,引入专家领域知识设计了适用于高压开关柜系统的3种约束罚函数,并通过求解带有约束的优化问题,改善了不完整数据集下的贝叶斯网络参数估计性能,进而实现了对高压开关柜系统状态的精确评估。最后,在自主设计的10 kV高压开关柜样机上开展了对比验证实验,结果表明,相比于支持向量机(SVM)方法和反向传播(BP)神经网络方法,本文所提方法在状态评估精度上更具优势。

知识与数据双驱动的智慧校园架构研究与探索

随着智慧校园建设的不断推进,如何整合资源赋能师生成为值得探究的问题.数据和知识是智慧校园框架的核心驱动层,需要建立完善的知识库,该架构形成了智慧校园的智慧大脑,并通过实践案例验证了该框架的实用性和高效性.

知识与数据联合驱动建模技术综述

当前,基于深度学习的目标识别建模技术面临标注样本不足、模型可解释性不高、稳定性不够等新的挑战,限制了深度学习解决更复杂、更抽象问题的可能性。采用知识与数据联合驱动的方式进行智能模型构建是突破现有瓶颈的一条重要途径。该文以外部经验与认知知识在模型构建中的引入方式为区分准则,提出了模型构建方法的分类标准,包括基于显式知识的建模方法、基于隐式知识的建模方法以及基于融合知识的建模方法;然后围绕每类方法在解决小样本、模型可解释性等问题上的探索进行综述,并总结设想了一种未来的知识与数据联合驱动建模方式。这种方式吸取了不同建模方式的优点,通过解耦知识建模与数据建模,以无监督、弱监督为核心训练方式,可以有效解决小样本条件下模型构建问题,提高模型可解释性。最后,该文总结了需要进一步研究的问题和未来的研究方向,以促进目标识别模型构建技术的发展。

知识与数据联合驱动的中央空调系统建模与调控方法

中央空调系统(heating, ventilation, air conditioning systems, HVACs)作为城市建筑中用能占比最大的负荷种类之一,具有较大的调节潜力,可参与需求响应,促进电力系统供需平衡。基于现有的HVACs建模基础,分析了各个子系统的物理模型结构,通过物理模型结构精准选取合适的特征值,并对数据驱动方法提供指导,结合多层感知器(multiple layer perception, MLP)网络结构,提出了知识与数据联合驱动的HVACs建模方法。然后,基于已建立的HVACs模型,建立HVACs能耗优化模型;将MLP网络结构显化,通过对激活函数的线性化,将HVACs能耗优化模型转化为混合整数线性规划问题。通过算例分析可知,所提出的建模方法的可快速精准选取特征值,有利于提高建模效率,此外,该方法大大降低了调控模型的求解难度,实际应用价值较高。

岩性预测综合地球物理解释方法综述

探测地下结构并进行地质解释是地球物理研究的主要目标,根据地球物理数据反映的地下物质的物理属性,如密度、速度、磁化率、电阻率等特征可确立地层结构及其性质.由于单一地球物理方法的多解性等局限,采用多种方法综合开展地球物理解释是目前可行的有效手段.本文针对地下岩性预测这一目标,总结了开展岩性预测的综合地球物理解释方法基本原则及步骤,并按照知识驱动和数据驱动两类技术路线对岩性综合预测的主要技术方法进行了总结.知识驱动方法利用先验信息,简单直接易于理解,但对复杂及高维数据适应能力弱;数据驱动方法使用数理统计等策略可有效挖掘各类数据间的关系,适应复杂应用场景能力强.在解决实际问题过程中,有监督机器学习方法以充分的岩石物理性质研究为基础,不仅引入了先验知识而且充分发挥了自身的数据挖掘能力,提高岩性预测解释的准确性,更好地建立地球物理与地质信息的对应关系,支撑资源能源等勘探需求.

卫星姿态控制系统故障预测方法综述

结合目前卫星姿态控制系统(ACS)故障预测技术的迫切需求,回顾了故障预测技术研究进展,归纳梳理了知识驱动方法和数据驱动方法的特点,总结并指出了卫星姿态控制系统故障预测技术面临的技术难点。在此基础上,重点阐述了知识和数据联合驱动方法在当前和未来的关键问题与解决途径,从知识和数据并行模式、引导模式、反馈模式三个分支给出了相应关键技术后续发展的方向与思路。

无线通信中的边缘智能

本文综述了机器学习(Machine learning,ML)在无线边缘网络的主要应用、典型学习方法、以及性能潜力。首先分析了无线边缘智能与传统人工智能的区别。而后讨论了两种降低训练ML复杂度的思路,一种是从学习方法角度研究知识与数据联合驱动的ML,另一种是从无线系统角度设计合适的训练和决策方法,分析了集中式决策和分布式决策、集中式训练和分布式训练的优缺点。进一步介绍了联邦学习在无线边缘网络中的应用现状和适用场景,总结了在降低通信开销和个性化学习方面的研究进展与存在的问题。最后对全文进行了总结。

全参考图像质量评价回顾与展望

全参考图像质量评价(Full Reference Image Quality Assessment,FR-IQA)是IQA领域广为研究的类型之一.本文回顾了FR-IQA的发展历程,对FR-IQA应用现状和通用FR-IQA问题的构建进行综述,以及对FR-IQA算法进行总结和梳理.并在此基础上,重点分析了现有研究中存在的问题,包括问题构建的合理性、建模的全面性问题、知识驱动与数据驱动结合的问题等.基于对主观评价过程的深入分析,结合现有研究存在的问题,探讨了主观评分采用模糊建模和知识与数据联合驱动构建算法两个可能的研究方向,以期对后续的研究者提供参考.

策略极限理论与策略统计学习

非线性期望是山东大学彭实戈院士开辟的原创性研究方向之一,对各个领域的科学研究越来越重要,而大数据和人工智能的兴起,为非线性期望创新理论与应用研究提供了更强劲的动力。最近,山东大学“非线性期望”团队基于多臂老虎机的策略博弈过程开创了“策略极限理论”,是非线性概率理论与强化学习交叉的重大突破性科研成果,变革了传统统计方法研究范式。本文结合徐宗本院士提出的人工智能的10个重大数理基础问题,国家自然科学基金委员会发布的2022年度重大研究计划项目中关于可解释、可通用的人工智能方法的申报指南,以及科技部发布的数学和应用研究重点专项2021、2022年度项目中“数据科学与人工智能的数学基础”理论研究的申报指南,采用“策略”这一概念探寻和揭示人工智能本质和规律,尝试启发、促动人工智能技术变革的激发源和理论依据。不同于传统的大数定律和中心极限定理在独立同分布假设下开展统计学习的研究,策略极限理论打破了数据可交换这一局限,在更大的概率空间中探求最优分布,并提出获得最优分布的最优策略路径,与之对应的统计学习过程被命名为策略统计学习,为复杂机器学习的可解释和可信赖的统计方法研究提供理论支撑。本文介绍策略极限理论的应用包括但不限于:(1)大规模数据的策略抽样;(2)数据流的在线学习;(3)强化学习的中心极限定理;(4)数据的差分隐私保护;(5)联邦学习的策略融合;(6)迁移学习和元学习的信息重构;(7)知识推理与数据驱动的融合。