基于分层约束强化学习的综合能源多微网系统优化调度

构建多微网系统是消纳可再生能源、提升电网稳定性的有效方式。通过各微网的协调调度,可有效提升微网的运行效益以及可再生能源的消纳水平。现有多微网优化问题场景多元,变量众多,再加上源荷不确定性及多微网主体的数据隐私保护等问题,为模型的高效求解带来了巨大挑战。为此,该文提出了一种分层约束强化学习优化方法。首先,构建了多微网分层强化学习优化框架,上层由智能体给出各微网储能优化策略和微网间功率交互策略;下层各微网以上层策略为约束,基于自身状态信息采用数学规划法对各微网内部的分布式电源出力进行自治优化。通过分层架构,减小通信压力,保护微网内部数据隐私,充分发挥强化学习对源荷不确定性的自适应能力,大幅提升了模型求解速度,并有效兼顾了数学规划法的求解精度。此外,将拉格朗日乘子法与传统强化学习方法相结合,提出一种约束强化学习求解方法,有效地解决了传统强化学习方法难以处理的约束越限问题。最后通过算例验证了该方法的有效性和优势。

基于多任务约束深度学习的水工隧洞缺陷检测方法研究

由于水工隧洞环境复杂、缺陷类型多,数字图像处理技术在隧洞巡检中的应用存在缺陷识别精度低、鲁棒性差等问题。为此,提出了基于多任务约束深度学习的水工隧洞缺陷自动检测方法。该方法在Faster R-CNN深度学习原理的基础上,结合原始目标检测的定位约束、类别约束,增加特征到影像恢复的约束,可以较完整地保留图像以及缺陷特征信息,从而解决部分水工隧洞缺陷样本不全而引起的特征提取不鲁棒的问题。测试结果表明:多任务约束的Faster R-CNN深度学习方法能够较好地识别裂缝、渗水、掉块等多种病害缺陷,有效提高了识别精度,为水工隧洞工程缺陷检测提供了可靠方法。

基于优先采样模型的离线强化学习

离线强化学习通过减小分布偏移实现了习得策略向行为策略的逼近,但离线经验缓存的数据分布往往会直接影响习得策略的质量.通过优化采样模型来改善强化学习智能体的训练效果,提出两种离线优先采样模型:基于时序差分误差的采样模型和基于鞅的采样模型.基于时序差分误差的采样模型可以使智能体更多地学习值估计不准确的经验数据,通过估计更准确的值函数来应对可能出现的分布外状态.基于鞅的采样模型可以使智能体更多地学习对策略优化有利的正样本,减少负样本对值函数迭代的影响.进一步,将所提离线优先采样模型分别与批约束深度Q学习(Batch-constrained deep Q-learning,BCQ)相结合,提出基于时序差分误差的优先BCQ和基于鞅的优先BCQ.D4RL和Torcs数据集上的实验结果表明:所提离线优先采样模型可以有针对性地选择有利于值函数估计或策略优化的经验数据,获得更高的回报.

一种具有结构先验的贝叶斯网络结构学习算法

贝叶斯网络(Bayesian Network,BN)的计算复杂度随着节点数量的增加而增加,其最优结构仍是一个NP(Non-deterministic Polynomial Time)-hard问题。为优化贝叶斯网络结构,提高复杂BN结构的计算能力,通过约束和分数的混合学习方式进行BN结构优化。基于约束的学习采用PC(Peter-Clark)算法生成初始网络结构,以提高网络的初始评分。基于分数的学习采用麻雀搜索算法寻找BN的最优结构,以增强其在BN中的评分搜索能力。将麻雀搜索算法同PC算法应用于BN优化其结构,并采用标准BN进行实验,证明了所提算法在BN结构学习中的可行性与有效性。不同复杂度的网络实验表明,相比其他算法,文中所提方法获得了更好的贝叶斯信息准则评分,且在ASIA网络上的2000个样本的测试中,与标准分数误差仅为0.2。

融合约束学习的图像字幕生成方法

目的图像字幕生成是一个涉及计算机视觉和自然语言处理的热门研究领域,其目的是生成可以准确表达图片内容的句子。在已经提出的方法中,生成的句子存在描述不准确、缺乏连贯性的问题。为此,提出一种基于编码器—解码器框架和生成式对抗网络的融合训练新方法。通过对生成字幕整体和局部分别进行优化,提高生成句子的准确性和连贯性。方法使用卷积神经网络作为编码器提取图像特征,并将得到的特征和图像对应的真实描述共同作为解码器的输入。使用长短时记忆网络作为解码器进行图像字幕生成。在字幕生成的每个时刻,分别使用真实描述和前一时刻生成的字幕作为下一时刻的输入,同时生成两组字幕。计算使用真实描述生成的字幕和真实描述本身之间的相似性,以及使用前一时刻的输出生成的字幕通过判别器得到的分数。将二者组合成一个新的融合优化函数指导生成器的训练。结果在CUB-200数据集上,与未使用约束器的方法相比,本文方法在BLEU-4、BLEU-3、BLEI-2、BLEU-1、ROUGE-L和METEOR等6个评价指标上的得分分别提升了0.8%、1.2%、1.6%、0.9%、1.8%和1.0%。在Oxford-102数据集上,与未使用约束器的方法相比,本文方法在CIDEr、BLEU-4、BLEU-3、BLEU-2、BLEU-1、ROUGE-L和METEOR等7个评价指标上的得分分别提升了3.8%、1.5%、1.7%、1.4%、1.5%、0.5%和0.1%。在MSCOCO数据集上,本文方法在BLEU-2和BLEU-3两项评价指标上取得了最优值,分别为50.4%和36.8%。结论本文方法将图像字幕中单词前后的使用关系纳入考虑范围,并使用约束器对字幕局部信息进行优化,有效解决了之前方法生成的字幕准确度和连贯度不高的问题,可以很好地用于图像理解和图像字幕生成。

联想记忆网络的约束优化学习

本文提出了一种联想记忆网络的约束优化学习算法，学习算法是一个全局最小化过程，其初始解保证每个样本是系统的稳定状态，然后逐步增大样本的吸引域，使网络具有优化意义上的最大吸引域．在理论上，我们分析了样本的渐近稳定性和吸引域范围，以及学习算法的收敛性．大量计算机实验结果说明学习算法是行之有效的．

基于约束投票极限学习机的在线静态电压稳定评估

快速准确的在线静态电压稳定评估是规模化互联电网安全稳定运行的重要保障。针对传统神经网络学习模型调参繁杂、训练时间长、样本需求数量庞大等缺点,提出了一种基于约束投票极限学习机(constrained voting extreme learning machine,CV-ELM)的在线静态电压稳定评估模型。CV-ELM基于类间样本差值构建差向量集计算输入层对隐藏层的权值及隐藏层节点偏置项,并引入多数投票机制,通过集成学习的方式进行分类决策。此外,CVELM可自适应确定网络参数,在分类准确率、鲁棒性及泛化能力方面均优于传统的ELM。最后,基于新英格兰10机39节点系统的算例仿真结果证明了所提模型的有效性。

适于数据流组合分类的直推学习方法

在进行组合决策时,已有的组合分类方法需要对多个组合分类器均有效的公共已知标签训练样本。为了解决在没有已知标签样本的情况下数据流组合分类决策问题,提出一种基于约束学习的数据流组合分类器的融合策略。在判定测试样本上的决策时,根据直推学习理论设计满足每一个局部分类器约束度量的方法,保证了约束的可行性,解决了分布式分类聚集时最大熵的直推扩展问题。测试数据集上的实验证明,与已有的直推学习方法相比,此方法可以获得更好的决策精度,可以应用于数据流组合分类的融合。

基于拓扑信息加速马尔科夫毯学习

目标变量的马尔科夫毯(MB)是用于预测其状态的最优特征子集。提出一种新的约束学习类MB推导算法FSMB,它遵循后向选择的搜索策略,并依赖条件独立(CI)测试删除任意结点对之间的伪连接。与传统约束学习类算法不同,FSMB能从已执行的CI测试推导出不同结点扮演d-分割(d-separation)结点的优先等级;而后基于该信息在未来优先执行条件集中包含高优先级结点的CI测试,从而更快速地判断并删除伪连接边。该策略可帮助快速缩小搜索空间,从而大大提升学习效率。基于仿真网络的实验研究显示,FSMB在计算效率上较经典的PCMB和IPC-MB有显著的提升,而学习效果相当;在面对较大网络结构时(比如100和200个结点),甚至比公认最快速的IAMB还节省近40%的计算量,但学习效果要远优于IAMB。基于16个UCI数据集和4个经典的分类模型的实验显示,基于FSMB输出的特征集合所训练模型的分类准确率普遍接近或高于基于原有特征全集训练所得模型。因此,FSMB是快速且有效的MB推导算法。

基于时空库普曼自动编码器的风电场短期风速预测

为了提升以新能源为主体的新型电力系统的风电消纳水平,需要对风速进行精确预测,关键在于提炼风电系统动态趋势与风速序列中潜在的物理结构。依据库普曼动力学理论与自编码器思想搭建物理约束时空神经网络,生成风电场非线性变量的线性演化矩阵。首先,通过线性演化矩阵近似系统趋势,在预测过程中充分考虑前、后向动态。然后,设置双向相关预测机制与适配不同对象的代价函数,降低预测对序列的可逆性、平稳性要求。同时,对特征空间隐向量进行可视化,展现系统内特征区间依赖。最后,借助北票王子山风电场风速实测数据验证所提方法的有效性。结果表明:所提方法对于强随机、强波动的风速序列具有较高的预测精度,泛化能力强,可解释性优越。

信息不完备小样本条件下离散DBN参数学习

针对信息不完备小样本条件下离散动态贝叶斯网络参数学习问题,提出约束递归学习算法。该方法通过前向算法建立含有隐藏变量的离散动态贝叶斯网络参数递归估计模型,以当前时刻网络参数为变量,构建均匀分布表示的先验参数约束模型。在此基础上利用优化算法获得近似的Beta分布,将该分布下的先验参数信息加入递归估计模型中完成参数学习。通过无人机动态威胁评估模型验证了该方法的有效性和精确性。

基于强化学习算法的水库优化调度研究

为解决复杂现实环境下的水库优化调度问题,采用强化学习的Q-learning算法,以哈希表作为核心数据结构,在逐幕生成水库可行调度方案的同时,单时段优化Q值,最终依据各时段的最优Q值生成水库最优调度方案。试验分析结果表明,当迭代次数达到一定数量时,Q-learning算法能够达到理论上的最优解;依据水库调度历史数据建立最优搜索廊道,Q-learning算法可在缩短优化时间的同时获得高质量的解。

贝叶斯网络结构加速学习算法

结构学习是应用贝叶斯网络(BN)的基础。提出一种新的基于约束的学习类算法APC(Accelerated PC),它基于一系列局部结构的推导获得BN。APC不但继承了经典的PC(Peter&Clark)算法优先执行低阶条件独立(CI)测试的优点,而且能够从已执行的CI测试中推导相关拓扑信息,并利用其来挑选并优先执行更可能d-分割节点X和Y的候选CI测试。该策略可有效避免在搜索过程中执行无效的CI测试,例如APC算法在实验中较PC算法节省高达50%的计算量,同时实现了质量相同的学习效果。

带约束弱监督学习算法的企业专利附图高关联性自动化推荐

常规企业专利附图高关联性自动化推荐主要依托于朴素贝叶斯算法,通过构建图片推荐模型实现自动化推荐。但此方法由于缺少专利文本与附图匹配交互图的建立,导致得到的归一化折损累积增益较小,推荐效果欠佳。为此,提出基于带约束弱监督学习算法的企业专利附图高关联性自动化推荐方法。根据企业专利文本与附图之间的匹配关系,采用卷积神经网络对附图的深层次视觉特征进行识别,并设计样本采样策略,建立文本与附图匹配的交互图,结合带约束弱监督学习算法计算企业专利偏好的预测概率向量值,进而构建企业专利配图偏好模型,以此为依据,求取每个附图的综合评分,将评分最高的附图构造为推荐列表,由此实现企业专利附图高关联性自动化推荐。对比实验结果表明,所设计的方法得到的归一化折损累积增益较大,企业专利附图推荐效果较好,可以满足实际应用需求。

基于Spark技术的大数据智能分析平台构建

针对大数据分析过程易受数据维度的影响,造成大数据分析平台运行时间长、数据分析平均绝对误差高的问题,构建了基于Spark技术的大数据智能分析平台。先采用局部约束学习方法降低大数据维度,再利用Spark技术建立兼具应用服务层、权限管理层、中间服务层和基础资源层的平台分层架构,参考映射-归约数据网络质量分析系统,结合数据分析编排器设计平台后台分析服务器,实现了基于Spark技术的大数据智能分析平台的构建。所构建平台加速比参数大于9,运行速度较快,运行效率在99%左右,数据分析平均绝对误差为0.5%~0.8%。

基于PBLC算法的滑坡空间易发性分析

滑坡空间易发性统计模型的构建需要正样本(滑坡点)和负样本(非滑坡点)两类数据,但历史观测数据仅记录了正样本,而负样本的选取容易受到正样本污染,因为没有滑坡记录的地方也可能在过去或未来发生滑坡,从而导致模型的预测精度与稳定性受到影响。针对此问题,将前期提出的半监督学习算法PBLC(positive and background learning with constraints)应用于滑坡空间易发性分析,探讨其解决负样本污染问题的有效性。本文以粤东地区为研究区,选择高程、坡度、坡向、剖面曲率、距离道路最短距离、距离断层线最短距离、距水系最短距离、年平均降雨量、归一化植被指数和地理坐标共11个影响因子作为环境变量。结果表明,与传统的人工神经网络模型相比,基于PBLC算法的预测概率取值范围更为合理,预测结果更加稳定,且预测精度随背景样本数量增加而提高;粤东地区的滑坡灾害高易发区集中于北部和西南区域,坡度和高程是影响该地区滑坡易发性的主要因子。结果表明,半监督学习算法PBLC可以有效解决滑坡统计建模过程负样本污染的问题,提高模型预测精度。

运动目标精确检测算法

针对运动目标检测中背景多变和干扰多样的问题,提出了一种运动目标精确检测方法。首先在HSV空间,利用无约束的学习方式迅速建立三向量背景模型,各象素点根据其像素本身的混乱程度采取不同个数的三向量模型进行描述,然后在运动目标检测过程中及时的根据背景变化对背景模型进行更新,同时根据各种干扰的特点,分别实现了光照变化、物体的移入移出和运动目标短暂停留的干扰检测和排除,使背景模型抗干扰性和收敛速度得到有效提高。实验结果表明,该算法准确性高、抗干扰性强。

光纤安防系统中振动信号的特征提取和识别

利用光纤振动传感器可以实现分布式周界安防监测,进而实现自动报警.对周界安防监测信号的分析处理和识别受到业界关注.对光纤信号的特征提取和识别方法进行综述,这些特征提取方法通过对光纤振动信号的时域这个维度进行各种分解,从而提取各种信号的属性特征;对光纤振动信号的识别主要使用经验阈值、神经网络、支持向量机方法,目前这些方法对光纤入侵事件识别效果还不能令人满意.通过实验采集挖掘机挖掘、人工挖掘、汽车行驶、行人和自然环境噪声这5种入侵行为引起的光纤振动信号数据,并进行数据的3维图形可视化分析,提出一种安防监测信号在时域和空域这2个维度信息的特征提取方法;根据光纤振动入侵事件的重要程度分成4个阶段先后完成识别任务,采用2分类任务决策树模型和约束极速学习机算法识别入侵事件类型,提高了对各类事件的正确识别率.

基于多特征融合与CELM的场景分类算法

场景分类对于场景图像的语义解译至关重要,是遥感领域近期的主要研究课题之一。针对大部分图像分类方法中提取的特征结构单一,依赖于大量人工标记的数据以及分类器的训练过程缓慢等问题,提出了一种基于多特征融合与约束极限学习机(constrained extreme learning machines,CELM)的场景图像分类方法。该方法采用三种不同结构的预训练卷积神经网络,利用特定数据集对其进行微调,将微调后网络提取到的三种特征进行融合并送入CELM分类器进行分类,最终得到图像的类别标签。以SIRI-WHU、WHU-RS19与UC-Merced数据集作为实验数据集,在预训练卷积神经网络、单一特征和传统分类器上进行的对比实验表明,基于多特征融合与CELM相结合的方法产生了较好的分类效果,三种数据集上的总分类精度分别高达99.25%、98.26%与97.70%。

基于约束的典型相关分析集成学习算法

基分类器的差异性对于集成学习来说至关重要,从直观上讲,对约束重采样有潜力获得比对样本重采样更好的多样性.文中在典型相关分析算法基础上,通过引入成对约束作为监督信息对样本进行特征抽取从而形成新的训练数据.算法中集成学习的思想主要体现在成对约束的选取上,对约束进行随机重采样以获得具有多样性的基分类器.在多特征手写体数据集以及人脸数据集(Yale和AR)上进行实验考察该算法随选取的约束比例变化的情况,结果表明该方法获得比传统集成学习方法更好的性能.