利用多尺度条件熵和记忆性度量估计图像无损压缩极限

为估计利用各类成像传感器自然获取图像的无损压缩极限 ,提出一个利用多尺度条件熵和记忆性度量的实用方法。传统方法进行高阶概率估计时由于上下文稀释问题而需要大量的训练数据 ,该方法借助多尺度的策略有效地缓解了这一个问题 ,从而可以利用有限的观测数据进行高阶条件熵分析 ,进而对无损压缩极限作出更为准确的估计。已进行的实验结果表明 ,该文提出的估计方法可以较好地适用于扫描仪、遥感、医学等各类成像传感器 ,为相关应用提供了可靠参考。

基于记忆性回归度量学习的隔离开关温度预警

在电力系统中,大多数隔离开关的故障最终会以热的形式表现出来,因此通过观测设备温度可以了解设备的运行状况。已有的温度预警模型主要是利用常规的机器学习算法来学习设备特征与设备温度的映射关系。这类模型在预测当前温度时并不能有效地利用设备历史信息。但是在现实中,隔离开关的温度变化是连贯的,具有很强的时序性。因此本文提出了一种基于记忆性回归度量学习(Memory Regression Metric Learning,MRML)的隔离开关温度预警模型。该模型把隔离开关的历史特征与当前特征同时用于温度预测,并利用度量学习来消除数据量纲对回归模型的影响。通过实验验证,该模型在温度预警方面更具有优势。