基于LIME算法的低照度图像增强方法研究

由于低照度图像存在颜色退化、曝光不足等问题,影响图像质量与信息量,因此文章研究了一种基于LIME算法的低照度图像增强方法。通过合成正常曝光图像与低照度图像的数据集,提取了低照度图像的纹理特征与频域特征,并基于Retinex理论与深度学习建立了低照度图像增强模型。通过使用LIME算法提高模型的可解释性,同时减少模型复杂度,提高模型的透明度。在测试集LOL上,PSNR值为21.898、SSIM值为0.902,证明了该方法的可行性和可靠性。

数据故事化解释中分类型预测结果的反转点识别方法研究——基于LIME算法

[目的/意义]实现数据故事化中的反转点识别,有助于非专业人士理解分类型预测结果的产生原因,同时对于推动故事情节发展并使其快速到达故事高潮点具有促进作用。[方法/过程]提出故事点与反转点概念,基于LIME解释技术和反转点识别过程,设计了用于数据故事化中反转点识别的算法方案,并提出了面向分类模型的反转点识别流程。[结果/结论]将反转点识别算法应用到贷款数据集,证明此算法在数据故事化过程中寻找反转点的有效性,在获得用户期望的预测结果和快速识别反转点方面具有应用价值。

基于可解释关系模型的SCR入口气温预测

新能源在全社会发电中占比不断增高,为了能够辅助电网进行削峰填谷,火电机组需要增加在低负荷范围内的运行时间,这会对选择性催化还原(selective catalytic reduction,SCR)的脱硝效果产生负面影响。因此,对SCR入口烟气温度(SCR gas temperature,SCRIGT)进行准确预测非常重要。首先,采用极限梯度提升(extreme gradient boosting,XGBOOST)模型,以电厂的运行参数作为输入,功率与SCRIGT的比值作为输出进行预测,然后计算得到SCRIGT。结果显示,对于两个不同锅炉类型的火电机组,平均绝对百分比误差(mean absolute percentage error,MAPE)分别为3.07%和2.49%。其次,采用不可知模型的局部可解释(local interpretable model-agnostic explanations,LIME)算法分析XGBOOST模型的预测结果,显示功率和功率与SCRIGT的比值之间存在线性关系,且R2(R-squared)为0.994,基于此构建了一种可解释关系模型进行SCRIGT预测。最后,比较分析显示,对于试验中的两个机组,可解释关系模型预测结果的MAPE分别改进至0.68%和0.97%。