随着全球的太阳能能力继续增长,越来越意识到先进的检验系统正度重视安排智能干预措施并最大限度地减少停机时间。在这项工作中,我们提出了一种新的自动多级模型,以通过使用YOLOV3网络和计算机视觉技术来检测由无人机捕获的空中图像上的面板缺陷。该模型结合了面板和缺陷的检测来改进其精度。主要的Noveltize由其多功能性来处理热量或可见图像,并检测各种缺陷及其对屋顶和地面安装的光伏系统和不同面板类型的缺陷。拟议的模型已在意大利南部的两个大型光伏工厂验证,优秀的AP至0.5超过98%,对于面板检测,卓越的AP@0.4(AP@0.5)大约为88.3%(66.95%)的热点红外热成像和MAP@0.5在可见光谱中近70%,用于检测通过污染和鸟粪诱导,分层,水坑的存在和覆盖屋顶板诱导的面板遮蔽的异常谱。还预测了对污染覆盖的估计。最后讨论了对不同yolov3的输出尺度对检测的影响的分析。
translated by 谷歌翻译
我们提出了一种对域适应(DA)时间序列回归任务(Dannte)的侵权学习方法。回归旨在构建安装在燃气轮机上的传感器的虚拟副本,以代替可以在某些情况下缺失的物理传感器。我们的DA方法是搜索要素的域不变表示。学习者可以访问标记的源数据集和未标记的目标数据集(无调节DA),并在两者培训,在任务回归和域分类器神经网络之间利用MinMax游戏。两个模型共享相同的特征表示,由特征提取器学习。这项工作基于Ganin等人发布的结果。arxiv:1505.07818;实际上,我们提出了适合时间序列应用的延伸。与仅在源域上培训的基线模型相比,我们报告了回归性能的显着提高。
translated by 谷歌翻译
我们研究Livingstone&Zanella(2021)中引入的一阶级本地平衡的大都市 - 黑斯廷斯算法(2021)。要在类中选择特定算法,用户必须选择平衡函数$ g:\ mathbb {r} \ to \ mathbb {r} $满足$ g(t)= tg(1 / t)$,以及噪声分布提案增量。课程中的流行选择是Metropolis调整的Langevin算法,最近推出的Barker提案。我们首先建立一个普遍限制的最佳验收率为57%,并为N $ N $的缩放,因为维度在$ G $的温和平滑假设下的所有成员之间的无限程度倾向于无限算法的目标分布是产品形式。特别地,我们通过预期的平方跳跃距离来获得类中任意算法的渐近效率的显式表达式。然后,我们考虑如何在各种约束下优化此表达式。我们为Barker提案提供了最佳的噪声分布选择,在高斯噪声分布​​下的平衡功能的最佳选择,以及整个类中的一阶本地平衡算法的最佳选择,结果取决于特定的目标分布。数值模拟确认了我们的理论发现,特别表明,Barker提案中的双模噪声分布选择产生了比原始高斯版本始终如一的效率的实用算法。
translated by 谷歌翻译
我们开发了一种组合量子蒙特卡罗的准确性在描述与机器学习电位(MLP)的效率描述电子相关性的技术。我们使用内核线性回归与肥皂(平滑的重叠原子位置)方法结合使用,以非常有效的方式在此实现。关键成分是:i)一种基于最远点采样的稀疏技术,确保我们的MLP的一般性和可转换性和II)所谓的$ \ Delta $ -Learning,允许小型训练数据集,这是一种高度准确的基本属性但是计算地要求计算,例如基于量子蒙特卡罗的计算。作为第一个应用,我们通过强调这一非常高精度的重要性,展示了高压氢气液体过渡的基准研究,并显示了我们的MLP的高精度的重要性,实验室在实验中难以进行实验,以及实验理论仍然远非结论。
translated by 谷歌翻译
太阳能无线电通量以及地磁指数是太阳能活动的重要指标及其效果。耀斑和地磁风暴等极端太阳能事件可能对低地轨道中的卫星的空间环境产生负面影响。因此,预测这些空间天气指数在太空运营和科学方面具有重要意义。在这项研究中,我们提出了一种基于长期短期内存神经网络的模型,以了解时间序列数据的分布,以便使用时间序列以及太阳能图像提供空间天气指标的同时多元27天预测数据。我们展示了30-40 \%的根均方误差改进了,而仅包括使用时间序列数据的太阳能图像数据,而单独使用时间序列数据。与训练有素的深神经网络模型相比,诸如持久性和运行平均预测之类的简单基线也将与训练有素的深神经网络模型进行比较。我们还使用模型集合量化我们预测中的不确定性。
translated by 谷歌翻译
绽放过滤器是一个基本和普遍的数据结构。在学习数据结构的不断增长的区域内,已经考虑了几种学习版本的绽放过滤器,从经典过滤器产生了优势。它们中的每一个都使用分类器,这是数据结构的学习部分。虽然它在那些新的过滤器中具有核心作用,但其空间占用空间以及分类时间可能会影响学习过滤器的性能,无系统的研究,可以使用哪些特定分类器使用哪种情况。我们在此报告此区域的进度,提供了在五个经典分类范例中选择的分类器的初步指南。
translated by 谷歌翻译
确定高精度和可扩展性的资产位置是市场上最多的调查技术之一。当需要抽取量级精度或需要在室内环境中运行时,基于卫星的定位系统(即GLONASS或GLILEO)提供的基于卫星的定位系统(即GLONASS或GALILEO)的准确性并不总是足够的。在处理室内定位系统时,可扩展性也是一种反复出现的问题。本文介绍了一种创新的UWB室内GPS,可以追踪任意数量的资产而不降低测量更新率。为了提高系统的准确性,研究了数学模型和不确定性源。结果突出了所提出的实施方式提供定位信息,其中最大误差低于20厘米。由于DTDOA传输机制,也解决了不需要从资产被跟踪的活动作用的可扩展性。
translated by 谷歌翻译
业务流程偏差是指业务流程执行的子集的现象,以消极或积极的方式偏离{他们的预期或理想的结果。业务流程的偏差执行包括违反合规规则的人,或者欠冲前或超过绩效目标的执行。偏差挖掘涉及通过分析支持业务流程的系统存储的事件日志来揭示揭示异常执行的原因。在本文中,首先通过基于顺序和声明模式模式的特征和它们的组合来研究解释业务流程的偏差问题。然后,通过基于纯数据属性值和数据感知声明规则利用事件日志中的事件日志和迹线的数据属性来进一步提高说明。然后通过用于规则感应的直接和间接方法来提取表征消化的解释。使用来自多个域的实际日志,根据他们准确地区分过程的非偏差和异常执行能力以及决赛的可理解性的能力来评估一系列特征类型和不同形式的决策规则。返回给用户的结果。
translated by 谷歌翻译
经常性的神经网络(RNNS)已被示出比视觉对象分类任务中的前馈架构更好地执行,尤其是在诸如杂乱的图像之类的具有挑战性的条件下。然而,关于在这些条件下复发信息流动的确切计算作用几乎熟知。在这里,我们测试RNNS培训用于对象分类的假设,以通过类别正交辅助变量(对象的位置,方向和比例)迭代地辅助对象分类。使用诊断线性读数,我们发现:(a)有关辅助变量的信息在所有网络层中的时间越大,(b)此信息确实存在于经常性信息流中,并且其操作显着影响任务性能。这些观察结果确认了通过反复连接的类别 - 正交辅助变量信息传达的假设,并用于优化杂乱环境中的类别推断。
translated by 谷歌翻译
有关各个消费者财务行为(如信用卡和贷款活动)的数百个变量的数据是在许多国家常规收集的,并在贷款决策中发挥重要作用。我们假设该数据的详细性质可用于预测看似无关的域等诸如个人健康的域中的结果。我们构建一系列机器学习模型,以证明信用报告数据可用于预测单个死亡率。与信用卡和各种贷款相关的可变团体,主要是无担保贷款,具有显着的预测力。这些变量的滞后也很重要,从而表明动态也很重要。基于消费者金融数据的提高死亡率预测可以对保险市场具有重要的经济影响,但也可能提高隐私问题。
translated by 谷歌翻译