基于深度神经网络和概率矩阵分解的混合推荐算法

针对个性化推荐中用户和项目描述信息未充分利用,用户评分矩阵数据集极端稀疏的情况,提出了基于深度神经网络和概率矩阵分解(PMF)的混合推荐算法.首先,对用户和项目描述信息进行预处理,形成包含用户偏好特征的用户和项目特征集,再将各特征输入深度神经网络模型中进行训练.同时,利用概率矩阵分解模型,根据用户评分矩阵通过最大后验估计优化得到潜在特征向量;然后,通过对概率矩阵分解模型的用户和项目潜在特征向量以及深度神经网络模型的真实特征向量进行迭代更新,收敛得到融合用户和项目真实信息的潜在特征向量;最后,利用该特征向量对用户进行个性化推荐.实验证明,本文算法较经典推荐算法以及前人算法在均方误差与平均绝对误差指标上均有改善,说明本文算法的有效性.

单相接地混合特征向量-Fisher分类算法研究

为了提高10k单相接地故障判断准确率,提出基于混合特征向量-Fisher分类单相接地故障判断算法。首先,将10kV架空线路电流暂态特征和电流、电场稳态特征相结合,构建出3维混合特征向量ξ=(Wvalue,I,E)。其中暂态特征分量Wvalue用线路电流db5小波变换第3层小波模系数最大值表示,稳态特征分量I和E分别用线路接地故障发生前和发生后电流有效值和对地电场有效值表示。其次,利用混合特征向量样本建立Fisher分类器,采用Fisher分类器进行单相接地故障报警识别。使用F分布验证了分类器的有效性。最后,针对每条支路参数不同,又进一步研究了分类器参数更新方法。实验表明,该算法可以有效地对新向量进行分类。将仿真结果与其他算法进行了比较,证明了该算法提高了单相接地故障判断准确率,尤其提高了高阻接地识别效果。