一种动态调整惯性权重的自适应蝙蝠算法一种动态调整惯性权重的自适应蝙蝠算法
本文将介绍ChatGPT的特点、功能、技术架构、局限、产业应用、投资机会和未来。
很多应用程序在面临客户端请求时，可以等价为进行如下的系统调用： 1. File.read（file, buf, len）； 2. Socket.send（socket, buf, len）； 例如消息中间件 Kafka 就是这个应用场景，从磁盘中读取一批消息后原封不动地写入网卡（NIC，Network interface controller）进行发送。 在没有任何优化技术使用的背景下，操作系统为此会进行 4 次数据拷贝，以及 4 次上下文切换
在“十四五”新的发展阶段,通过大量的方案积累,数字已经成长为实力强劲的智能工厂整体解决方案提供商,无论从平台技术、人才储备、产品构成、服务体系等多方面已构成了不可替代的核心竞争力。
智慧电厂建设方案及成果案例，智慧电厂建设方案及成果案例，智慧电厂建设方案及成果案例，智慧电厂建设方案及成果案例
在本文中，我们证明了当目标训练数据集中存在缺失类别时，直接应用对抗域自适应技术会导致性能下降。为了克服这个问题，我们利用源域的类间关系提出了单侧对齐，这是一种简单而有效的训练策略。我们在故障诊断任务上的实验展示了所提出的领域自适应方法在工业应用中的潜力，其中缺失类别的问题对所应用的方法施加了显着的限制。发展所提出的模型在样本缺失情况下的性能是未来的发展方向之一。
智慧电厂技术指引-风电---大唐集团,智慧电厂技术指引-风电---大唐集团,智慧电厂技术指引-风电---大唐集团，智慧电厂技术指引-风电---大唐集团
目前，研究者已经提出了很多用于解决目标域和源域之间的分布对齐和知识迁移问题的领域自适应方法。然而，大多数研究方法只关注到边缘分布对齐，忽略了目标域和源域之间判别性特征的学习。因此，在某些案例中，这些方法仍然不能很好地满足故障诊断要求。为了提高分布一致性，并且对齐两个域的边缘分布和条件分布，我们提出了一种改进联合分布自适应(Improved Joint Distribution Adaptation, IJDA)机制。在该方法中，我们将最大均值差异和相关对齐(Correlation Alignment, CORAL)方法相结合，作为一个新的分布差异度量方法用于提高分布的一致性。在此基础上，提出了一种改进的条件分布对齐机制。另外，我们提出了一种新的I-SoftMax损失，该损失相比原始SoftMax损失具有更强的分类能力，可以帮助网络学习到更多可分离的特征。我们利用IJDA机制和I-SoftMax损失，构建了深度判别迁移学习网络(Deep Discriminative Transfer Learning Network, DDTLN)来实现迁移故障诊断。基于没有标签的目标域样本，我们对六个跨机器诊断任务进行实验，证明该方法与其他典型的域自适应相比，具有更高的迁移故障诊断性能。 关键词：判别特征学习，联合域自适应分布对齐，分类损失，故障迁移诊断
随着互联网、物联网及云计算技术快速融合、发展，建设“智慧电厂”已成为当前电力行业信息化发展的主要方向。在智慧电厂建设发展中，应结合电力行业基本特征，挖掘智慧电厂生产、运营管理数据，基于一体化大数据平台架构及其基础数据甄别、实时统计、分析、决策功能，为智慧电厂信息“可视化”提供依据。对此，本文结合实例分析了多源异构数据处理、时间序列模型和智能预警关键技术等在水电厂中的运用。
扫码咨询
或
客服咨询
用手机扫二维码
复制当前地址
