本文基于从SCADA系统收集的数据,提出了一种新颖灵活的故障预测解决方案。基于数据驱动方法提供两种不同级别的故障预测:(a)通用故障/状态预测和(b)特定故障类预测,通过基于无监督聚类算法和模式识别神经网络的两种基于机器学习的模块实现分别是网络。模型已经在六个光伏(PV)工厂的公园进行了评估,该工厂的功率高达10兆瓦,而且还有三个不同技术品牌的一百个逆变器模块。结果表明,所提出的方法在以下方面是有效的:(a)提前7天预测受试者一般性故障,灵敏度高达95%;(b)预测特定故障类别的损坏,时间从几小时到7天不等。该模型可轻松部署,用于在新的光伏电站和技术上进行在线监测,只需要提供历史SCADA和故障数据,故障分类和逆变器电气数据表。关键词:数据挖掘,故障预测,逆变模块,KeyPerformance指标,丢失生产
translated by 谷歌翻译
Yask是一个在线社交协作网络,用于在框架中练习语言,包括请求,答案和投票。由于使用当前方法测量语言能力是困难的,昂贵的和非常多的情况不精确,我们提出了一种基于社交网络的新的替代方法。我们的方法,称为熟练等级,扩展了着名的页面排名算法,以衡量用户在协作社交图中的声誉。首先,我们扩展了网页排名,使其不仅考虑正链接(投票)而且考虑负链接。其次,除了使用显式链接之外,我们还在社交图中隐含了其他4种类型的信号。这些扩展允许熟练等级在所使用的数据集中产生几乎所有用户的熟练度排名,其中只有少数人通过应用来贡献,而多数只通过投票作出贡献。这克服了仅能够对具有传入链接的节点进行排名的页面排名的本质限制。我们的实验验证表明,Yask中用户的声誉/重要性与他们的语言熟练程度显着相关。相比之下,他们的书面作品与欧洲共同参考框架的词汇概况很不相关。此外,我们发现负信号(投票)比积极信号(投票)更具信息量。我们的结论是,即使是相对较小的人群,使用这种技术也是衡量第二语言能力的有前途的工具。
translated by 谷歌翻译
尽管机器学习算法广泛用于解决技术,经济和社会相关性的问题,但是这些数据驱动算法的性能的可证实的保证是严重缺乏的,尤其是当数据源自不可靠的源并且被过度保护且易于访问的信道传输时。在本文中,我们采取了重要的步骤来弥合这一差距,并正式表明,为了优化准确性,二元分类算法 - 包括基于机器学习技术的算法 - 不可避免地对数据的对抗性操作变得更加敏感。此外,对于具有相同复杂度(即,分类边界的数量)的给定类别的算法,精度和灵敏度之间的基本交叉曲线仅取决于数据的统计,并且不能通过调整算法来改进。
translated by 谷歌翻译
深度学习提出了希望和期望,作为许多应用程序的一般解决方案;事实证明它已被证明是有效的,但它也显示出对大量数据的强烈依赖性。幸运的是,已经证明,即使数据稀缺,也可以通过重复使用priorknowledge来训练成功的模型。因此,在最广泛的定义中,开发转移学习技术是部署有效和准确的智能系统的关键因素。本文将重点研究一系列适用于视觉目标识别任务的转移学习方法,特别是图像分类。转移学习是一个通用术语,并且特定设置已经给出了特定的名称:当学习者只能访问来自目标域的标记数据和来自不同域(源)的标记数据时,问题被称为“无监督域适应”。 (DA)。这项工作的第一部分将集中在这个设置的三种方法:其中一种方法涉及特征,一种是图像,而第三种方法同时使用两种。第二部分将重点关注机器人感知的现实生活问题,特别是RGB-D识别。机器人平台通常不仅限于色彩感知;他们经常带着Depthcamera。不幸的是,深度模态很少用于视觉识别,因为缺乏预先训练的模型,从中可以传输并且很少有数据从头开始。将提出两种处理这种情况的方法:一种使用合成数据,另一种利用跨模态转移学习。
translated by 谷歌翻译
低成本深度传感器获得的面部可以用于捕捉脸部的某些特征细节吗?通常答案是否定的。然而,新深度体系结构可以从在不同模态下获取的数据生成RGB图像,例如深度数据。在本文中,我们提出了一个新的\ textit {Deterministic Conditional GAN},在注释的RGB-D facesatasets上训练,对于从深度到RGB的面对面转换是有效的。虽然网络不能重建未知个体面部的精确体细胞特征,但它能够重建合理的面部; theirappearance足够准确,可用于许多模式识别任务。事实上,我们使用一些\ textit {Perceptual Probes}测试网络能力以产生幻觉,例如面部方面分类或地标检测。尽管存在相应的RGB图像,但由于难以实现亮度条件,因此可以使用深度面。实验结果非常有前途,并且比以前提出的方法更好:这种域转换可以构成利用深度数据的新途径。新的未来应用。
translated by 谷歌翻译
本文彻底研究了一系列流行的DE配置,以识别导致结构偏差出现的组件 - 最近发现的算法倾向于偏好搜索空间的某些区域,原因与目标函数值无直接关系。这种趋势已经在GA和PSO中进行了研究,其中建立了结构偏差的强度和种群大小之间的联系,并强调了这些算法的潜在弱点。对于DE,这项研究进一步探讨了可能导致结构偏差存在的方面的范围,包括通常被忽视的算法组件 - 约束处理技术。各种DE配置都经过协议测试偏差。结果表明DE中偏倚的触发机制与先前发现的GA和PSO不同 - 对种群大小没有明显的依赖性。 DE参数的设置基于单独的研究,该研究本身导致新研究的有趣方向。总的来说,DE结果对结构性偏差是强有力的 - 只有DE /当前到最佳/ 1 / bin明显存在偏差,但这种影响通过使用惩罚约束处理技术得以缓解。
translated by 谷歌翻译
这项工作解决了在深度学习框架内学习紧凑而有区别的补丁描述符的问题。我们观察到由像素域中的卷积层提取的特征在很大程度上与在变换域中提取的特征互补。我们提出了一种用于学习二进制补丁描述符的卷积网络框架,其中像素域特征与从变换域提取的特征融合。在我们的框架中,虽然卷积和变换特征被明确地提取,但它们被融合并提供给单个分类器,因此单个分类器在卷积和变换特征上共同操作。我们尝试从三个不同的数据集中匹配补丁,表明我们的特征融合方法在准确性,速率和复杂性方面优于多种最先进的方法。
translated by 谷歌翻译
在这项工作中,我们探索了人的轨迹和他们的头部方向之间的相关性。我们认为人们的轨迹和头部姿势预测可以被建模为一个共同的问题。最近关于轨道预测的方法利用行人的短期轨迹(也称为轨迹)来预测其未来路径。此外,社会学线索,例如预期目的地或行人互动,通常与轨迹相结合。在本文中,我们提出MiXing-LSTM(MX-LSTM)来捕捉位置和头部方向(vislets)之间的相互作用,这要归功于在LSTM反向传播期间对完全协方差矩阵的联合无约束优化。在建模社交互动时,我们通常利用头部方向作为视觉注意力的代理。 MX-LSTM预测未来的行人位置和头部姿势,增加当前方法在长期轨迹预测中的标准能力。与最先进的技术相比,ourapproach在广泛的公共基准测试中表现出更好的表现.MX-LSTM在人们移动缓慢时尤为有效,即对所有其他模型而言最具挑战性的情景。所提出的方法还允许在更长的时间范围内进行准确的预测。
translated by 谷歌翻译
目前,大量研究正在研究机器学习与博弈论之间的联系。在这项工作中,博弈论概念被注入偏好学习框架。具体而言,偏好学习问题被视为双人零和游戏。提出了一种算法,以逐步将新的有用特征包括在假设中。这在处理大量潜在特征时尤其重要,例如在关系学习和规则提取中。游戏理论分析用于证明算法的收敛性。此外,利用特征和规则之间的自然类比,所得到的模型可以很容易地被人类解释。一组广泛的分类任务实验表明了所提方法在可解释性和特征选择质量方面的有效性,在状态下具有准确性。 -艺术。
translated by 谷歌翻译
通过相似性进行分类 - 相异性是用于处理名义分类问题(预定义和非有序类别)的多标准决策方法。根据多个标准评估行动并将其分配给一个或多个类别。一组参考动作用于定义每个类别。将动作分配给给定类别取决于根据likenessthreshold将动作与参考集进行比较。可以按类别定义不同的标准权重集,交互系数和类似性阈值。在应用Cat-SD tocomplex决策问题时,考虑标准的层次结构可能有助于分解它们。我们建议将多标准层次结构过程(MCHP)应用于Cat-SD。提出了一种适应的MCHP,以考虑以分层方式构建的标准之间可能的交互效应。我们还考虑了不精确的参数启发。为了探索Cat-SD考虑可能的参数集所获得的任务,我们建议应用随机多准则可接受性分析(SMAA).SMAA方法允许得出关于行动分类的统计结论。所提出的方法SMAA-hCat-SD帮助决策者检查参数变化对层次结构的不同层次的分类的影响。我们还建议通过考虑标准的层次结构和应用SMAA获得的概率分配来获得满足某些要求的最终分类。通过一个例子说明了所提出方法的应用。
translated by 谷歌翻译