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
由于大数据革命和不断增长的计算能力,人工智能(AI)在过去几年中取得了令人印象深刻的复兴,现在在研究和工业领域都无处不在。创意部门一直是人工智能技术的早期采用者,这种情况一直如此。事实上,最近的技术发展突破了创意应用中智能系统的界限:2016年发布的备受好评的电影“Sunspring”完全是由人工智能技术编写的,也是有史以来第一部名为“Hello World”的音乐专辑,使用人工智能生产的产品已于今年发布。同时,创造性过程的探索性特征为AI提出了重要的技术挑战,例如,在传统的“大数据”方法或者处理,分析和匹配数据的能力下,人工智能技术在有限的数据源下是准确的。从多种形式(文本,声音,图像等)同时进行。本白皮书的目的是了解人工智能的未来技术进步及其对创造性产业日益增长的影响。本文讨论了以下问题:AI在创意产业中的运作方式?它的作用是什么? AI将如何在未来十年内转变创意产业?本白皮书旨在提供关于创意产业中人工智能行为范围的现实视角,提出该技术如何为此类背景下的研究和开发工作做出贡献的愿景,并确定研究和发展挑战。
translated by 谷歌翻译
从个人的个人叙述中自动预测效价,一个人情绪状态的一个关键特征,可以为精神保健提供关键信息(例如精神疾病的早期诊断,疾病过程的监督等)。在Interspeech 2018年ComParE自我评估影响挑战中,使用来自个人叙述的8秒片段将效价预测的任务构建为三类分类问题。因此,该任务不允许探索语言的上下文信息。在这项工作中,我们调查了由同一个人叙述的多种叙述中的内在信息,以便预测他们当前的心态。此外,考虑到普遍性,我们决定将我们的实验专注于文本信息,因为与文本相比,音频叙事的公共可用性是有限的。我们的假设是,上下文建模可能提供关于情绪触发概念的见解(例如事件,人物,地点),这些概念在与个人心理状态相关的叙述中提到。我们探索多种机器学习技术来模拟叙事。我们发现,与单一叙事相比,模型能够捕捉个体差异,从而更准确地预测个体的情绪状态。
translated by 谷歌翻译
非线性机器学习模型通常会因缺乏可解释性而牺牲一个很好的预测性能。然而,模型不可知解释技术现在允许我们估计任何预测模型的特征的影响和重要性。不同的符号和术语使他们的理解以及它们如何相关变得复杂。缺少对这些方法的统一观点。我们提出了广义SIPA(采样,干预,预测,聚合)工作阶段框架,用于模式诊断解释技术,并演示如何将几个突出的特征效应方法嵌入到提议的框架中。 Wealso正式引入预先存在的边际效应来描述黑盒模型的特征效应。此外,我们通过指出基于方差和基于性能的重要性度量如何基于相同的工作阶段,将框架扩展到特征重要性计算。广义框架可以作为在机器学习中进行模型不可知解释的指导。
translated by 谷歌翻译
尽管在许多应用中通过深度学习获得了惊人的结果,但是在复杂环境中作用的代理人的真实智能行为可能需要某种更高级别的符号推断。因此,显然需要一般性的定义。低级任务之间的紧密集成,处理可以使用深度学习技术进行详细阐述的感官数据,以及允许人们在复杂环境中做出决策的逻辑推理。本文介绍了LYRICS,它是AI的通用接口层,在TersorFlow(TF)中实现。 LYRICS提供了一种输入语言,允许定义任意一阶逻辑(FOL)背景知识。 FOL知识的谓词和函数可以绑定到任何TF计算图,并且公式被转换成一组实值约束,其参与整体优化问题。这允许在先前知识所施加的约束下学习学习者的权重。框架是非常通用的,因为它对可以集成哪些模型或知识没有施加任何限制。在本文中,我们展示了该方法的一般性,显示了所提出语言的一些使用案例,包括生成模型,逻辑推理,模型检查和监督学习。
translated by 谷歌翻译
人工神经网络最近被证明是高度纠缠的多体量子态的有效表示。在实际应用中,神经网络状态继承了变分蒙特卡罗中使用的数值方案,最值得注意的是使用马尔可夫链蒙特卡罗(MCMC)采样来估计量子期望。 MCMC中的局部随机抽样以两种方式限制了神经网络的潜在优势:(i)其本征计算成本对网络的宽度和深度设置了严格的实际限制,因此限制了它们的表达能力; (ii)难以生成精确和不相关的样本,可能导致对可观察量的估计与其真实价值相差甚远。受机器学习中使用的最先进的生成模型的启发,我们提出了支持高效和精确抽样的专用神经网络架构,完全避免了对马尔可夫链采样的需求。我们展示了我们用于二维相互作用自旋模型的方法,展示了在较大系统尺寸上获得准确结果的能力,这些结构目前可用于神经网络量子态。
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