基于热重启随机梯度下降和一类支持向量机信息融合的户变关系辨识方法

为了提高低压台区户变关系校验的效率,提出一种基于用电量和电压信息融合的台区户变关系辨识方法。首先,基于用电量建立台区和用户的关系模型,利用热重启随机梯度下降法(SGDR)求解,并使用滑动时间窗进行多次判断,综合得出户变关系初步辨识结果;然后,使用初步辨识得到的正常户变关系用户的电压数据构成训练样本,构建一类支持向量机(OC-SVM)学习台区正常用户的电压特征,完成台区用户的户变关系最终辨识;最后,对实际台区数据进行分析。结果表明:该方法实现了低压台区户变关系的有效识别,验证了该方法的实用性和可靠性。

基于图片问答的静态重启随机梯度下降算法

图片问答是计算机视觉与自然语言处理交叉的多模态学习任务.为了解决该任务,研究人员提出堆叠注意力网络(stacked attention networks, SANs).研究发现该模型易陷入不好的局部最优解,引发较高的问答错误率.为了解决该问题,提出基于图片问答的静态重启随机梯度下降算法.实验结果和分析表明:它的准确率比基准算法提高0.29%,但其收敛速度慢于基准算法.为了验证改善性能的显著性,对实验结果进行统计假设检验.T检验结果证明它的改善性能是极其显著的.为了验证它在同类算法中的有效性,将该算法和当前最好的一阶优化算法进行有效性实验,实验结果和分析证明它更有效.为了验证它的泛化性能和推广价值,在经典的Cifar-10数据集上进行图像识别实验.实验结果和T检验结果证明:它具有良好的泛化性能和较好的推广价值.