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
我们提出了一种用于人形步态生成的新型MPC框架,其在公式中具有明确的稳定性约束。所提出的方法使用动态扩展LIP作为预测模型,其中ZMP速度是控制输入,实时产生步态(包括具有相关定时的足迹),其实现来自外部源的全向运动命令。稳定性约束将未来的ZMPvelocities链接到当前系统状态,以便保证所生成的CoM轨迹相对于ZMP轨迹有界的基本要求。由于MPC算法的控制范围是有限的,因此只有未来ZMP速度的一部分是MPC问题的决策变量;剩余部分,称为尾部,必须使用关于参考运动的预览信息进行猜测或预期。讨论了尾部的几种可能的选择,并且示出了它们中的每一个对应于特定的终端约束。详细分析了该方法的稳定性和可行性:特别是对通用MPC迭代的可行性进行了理论分析,并用于获得递归可行性和稳定性的充分条件。给出了NAO和HRP-4类人生物的模拟和实验结果,说明了该方法的性能。
translated by 谷歌翻译
深度学习在联合学习特征表示和分类模型方面非常有效,特别是在处理高维输入模式时。另一方面,概率逻辑推理能够在复杂环境中采取一致且稳健的决策。深度学习和逻辑推理的整合仍然是一个开放性研究问题,它被认为是真正智能代理发展的关键。本文介绍了深度逻辑模型,它是深度图形模型,集成了学习和推理的深度学习和逻辑推理。 Deep LogicModels创建了一个端到端的可区分架构,深度学习者可以嵌入到网络中,实现对logicknowledge的持续放松。学习过程允许共同学习解析者的权重和控制高级推理的元参数。实验结果表明,所提出的方法取代了其他方法的局限性,这些方法已被提出用于桥接深度学习和推理。
translated by 谷歌翻译
贝叶斯决策树以其概率可解释性而闻名。然而,它们的构造有时可能是昂贵的。在本文中,我们提出了适用于回归和分类问题的一般贝叶斯决策树算法。该算法不适用马尔可夫链蒙特卡罗并不需要修剪步骤。虽然可以构造加权概率树空间,但我们发现一个特定树,即模态树(GMT),解释了当时数值例子中包含的大部分信息。这种方法似乎与随机森林的表现相似。
translated by 谷歌翻译
天然气是意大利最重要的能源之一:燃料热电厂,工业设施和家庭供暖。天然气需求是每个能源供应商的关键过程,因为它可以实现管道预留和库存计划。在本文中,我们通过比较几个统计学习模型,包括岭回归,高斯过程和深度神经网络,解决了住宅天然气需求的短期预测问题。我们还介绍了预处理和特征工程的初步步骤。据我们所知,nobenchmark可用于我们执行的任务,因此我们根据气象预报的不准确性得出理论上的性能限制。最好的模型,一个深度神经网络,实现了一个RMSE,它在性能极限方面大约是两倍。
translated by 谷歌翻译
我们提出了一种新的SAR图像去斑方法,该方法利用来自共同注册的光学图像的信息。过滤是通过简单的非本地方式进行的,仅对SAR数据进行操作。然而,通过还考虑光学指导来计算滤波权重,该光学指导比SAR数据更清晰,因此更具辨别力。为了避免将光域信息注入到滤波后的图像中,预先进行了一个SAR域统计测试,以立即拒绝任何任意的预测器。在两个SAR光学数据集上的实验证明了所提出的方法,即非常有效地抑制散斑,保留结构细节,并且不引入可见的滤波伪像。总的来说,所提出的方法与所有最先进的去斑滤波器相比,并且与我们之前的光学引导滤波器相比也是有利的。
translated by 谷歌翻译
变分自动编码器在计算机视觉和语音处理等领域被证明是成功的。尽管最近它在当前的文献中开始受到关注,但它们对用户偏好建模的采用仍未得到探索。在这项工作中,我们提出了一个模型,通过利用过去的偏好历史中存在的丰富信息来扩展变异编码器。我们引入了VAE的循环版本,而不是传递整个历史的子集而不考虑时间依赖性,我们宁愿通过循环神经网络传递消耗序列子集。在RNN的Ateach时间步长中,序列通过一系列连接的层馈送,其输出模拟最可能的未来偏好的概率分布。我们表明,处理时态信息对于提高VAE的准确性至关重要:事实上,我们的模型以有价值的边缘击败当前最先进的技术,因为它能够捕获用户消费序列之间的时间依赖性,使用循环编码器仍然保持变异的基本原理完整的。
translated by 谷歌翻译
用于晶体结构表征的X射线衍射(XRD)是新材料开发周期中耗时且复杂的步骤之一。我们提出了一种机器学习方法,用于从有限数量的实验薄膜XRD图案中预测晶体维度和空间群。通过将监督机器学习方法与基于物理学的数据增强策略相结合,我们克服了稀疏数据对新材料开发的影响。使用这种方法,XRD光谱采集和分析在5.5分钟内完成,精确度与人类专家标记相当。我们模拟了无机晶体结构数据库(ICSD)中包含的晶体信息的实验粉末衍射图。我们使用标记的模拟和实验增强数据集的组合来训练分类算法,其考虑了薄膜特征和测量噪声。作为测试案例,合成并分类了88个跨越三维和7个空间群的金属卤化物薄膜。评估了多种机器学习技术的准确性和吞吐量,以及增强数据集大小的影响。最准确的分类算法被发现是前馈深度神经网络。维数和空间群分类的计算准确度可与人类专家的地面实况标记相比,分别约为90%和85%。此外,我们在失去预测精度之前系统地评估最大XRD谱步长(数据采集速率),并确定它为\ ang {0.16} $ 2 \ theta $,这使得能够在5分钟或更短时间内获得并分析XRD谱。
translated by 谷歌翻译
随着第一个机器人平台慢慢接近我们的日常生活,我们可以想象一个不久的将来,非专家用户可以通过声音界面轻松访问服务机器人。管理自然语言的能力确实会加速这种平台在平凡生活中的整合过程。语义分析是自然语言理解过程的基本任务,因为它允许提取机器使用的用户话语的含义。在本文中,我们提出了一个初步的研究,使用具有注意机制的多层长短期记忆神经网络来解释家庭服务机器人的用户声音命令。该系统在人机器人交互语料库上进行了训练,并与之前的方法进行了初步比较。
translated by 谷歌翻译
在应用中遇到的许多信号处理问题中的高效且可靠的估计需要在适当的信号基础上采用稀疏性并使用来自压缩感测(CS)的技术。在本文中,我们研究了一个称为多测量矢量(MMV)问题的CS问题,该问题出现在多个信号实现的联合估计中,当信号样本对固定的已知字典具有共同(联合)支持时。尽管有大量文献对MMV的分析尚不完全清楚信号样本的数量及其统计相关性如何影响MMV联合估计的性能。此外,在MMV的许多实例中,潜在的稀疏字典可能不是精确已知的,并且量化字典不匹配可能如何影响估计性能仍然是一个开放的问题。在本文中,我们关注$ \ ell_ {2,1} $ - 范数正则化最小二乘($ \ ell_ {2,1} $ - LS)作为文献中众所周知且广泛使用的MMV算法。我们证明了$ \ ell_ {2,1} $ - LS的一个有趣的解耦属性,我们证明它可以分解为两个阶段:i)使用所有信号样本来估计信号协方差矩阵(耦合阶段),ii)将得到的协方差估计作为真正的协方差矩阵插入最小均方误差(MMSE)估计器中,以单独地重建每个信号样本(解耦相位)。作为这种分解的结果,我们可以为MMV提供有关$ \ ell_ {2,1} $ - LS性能的进一步见解。特别是,我们解决了信号相关性和字典不匹配对其估计性能的影响。我们还提供数值模拟以验证我们的理论结果。
translated by 谷歌翻译