-
基于遷移學習的電力負荷預測研究
摘要:電力負荷預測是智能電網(wǎng)建設的基礎,對我國未來碳計量工作具有重要作用?；谥悄芩惴ǖ碾娏ω摵深A測需要大量的歷史數(shù)據(jù)作為模型訓練樣本,而新建城區(qū)或電力計量基礎較為落后地區(qū),難以收集大量準確的歷史數(shù)據(jù)用于訓練模型,導致難以準確進行電力負荷預測。現(xiàn)通過深度學習網(wǎng)絡構建電力負荷預測模型,并基于遷移學習算法構建既有建筑電力數(shù)據(jù)和新建建筑電力負荷間的聯(lián)系,通過既有建筑負荷歷史數(shù)據(jù)訓練所得模型來預測新建建筑電力負荷,以南京市某辦公建筑為例驗證所構建的負荷預測模型,預測誤差可保持在7.8%以內,所提出的電力負荷預測方法可為實際電力負荷預測計量提供參考。
-
一種基于遷移極速學習機的人體行為識別模型
摘 要：為了解決由于每個用戶的行為都有自身的特點和習慣，加之手機放置位置和方向的不確定性及多樣性所導致的通用模型識別率低的問題，文章提出了利用TrELM（Transfer Extreme Learning Machine）算法實現(xiàn)遷移學習，并基于智能手機中內置的加速度傳感器進行信息采集并通過機器學習方法構建人體行為識別模型。該方法是一種基于參數(shù)遷移的方法，通過對ELM的目標函數(shù)進行修改，引入一個可以表示兩域差異的遷移學習量，從而實現(xiàn)ELM模型的遷移學習。實驗結果表明， 該模型可以有效的提高新用戶的行為識別正確率。
-
什么是遷移學習？遷移學習的實現(xiàn)方法與工具分析
深度學習主要強調的是特征，強化學習主要強調的是反饋，而遷移學習主要強調的是適應。 之前介紹過人工智能之機器學習算法有前5大類內容，具體請參見相關文章。今天我們重點探討一下第6
-
英偉達DLI和遷移學習將推動醫(yī)療跨科整合
人工智能、機器學習、深度學習這三個不斷被深入開發(fā)的技術，醫(yī)療影像的大數(shù)據(jù)分析用得上、在醫(yī)院的病患分析人臉辨識也用得上、而在B2C端的在線皮膚狀況檢測也用得上。英偉達解決方案架構暨工程副總裁Mar
-
下一個AI寒冬的隱患如何去解決
“我現(xiàn)在就在做一線的事情，防止（人工智能）冷下去?！碑敱粏柤把巯逻@一波人工智能熱潮是否會像歷史上的幾波一樣曇花一現(xiàn)，國際人工智能理事會（IJCAI）主席、香港科技大學計算機科學與工程系主任楊強這
-
區(qū)塊鏈數(shù)據(jù)集有怎樣的機器學習方法
使用機器學習來分析區(qū)塊鏈數(shù)據(jù)集是一個令人著迷的挑戰(zhàn)。區(qū)塊鏈數(shù)據(jù)集除了具有不可思議的潛力，可以幫助我們了解加密貨幣資產的行為，但是這對機器學習的實踐者提出了非常獨特的挑戰(zhàn)。然而這些挑戰(zhàn)被轉化為大多
-
如何使用機器學習來分析區(qū)塊鏈數(shù)據(jù)集
使用機器學習來分析區(qū)塊鏈數(shù)據(jù)集是一個令人著迷的挑戰(zhàn)。區(qū)塊鏈數(shù)據(jù)集除了具有不可思議的潛力，可以幫助我們了解加密貨幣資產的行為，但是這對機器學習的實踐者提出了非常獨特的挑戰(zhàn)。然而這些挑戰(zhàn)被轉化為大多
-
使用AI技術有哪一些障礙
人工智能就像個不斷移動的標靶，而企業(yè)要做的就是努力“正中靶心”。 當然，當我們看到Alexa、Siri以及AlphaGO不斷占據(jù)新聞頭條的同時，不得不承認的另一個現(xiàn)實情況是——包括機器學
-
人工智能遷移學習 規(guī)范化的使用與相關運用領域的限制必不可少
漫畫，對于許多人來說是童年不可或缺的美好記憶，而提到漫畫，手冢治蟲又是一個必須要提及的名字，他的粉絲更是遍布了各個年齡層。盡管，其中有一定數(shù)量的人并沒有經(jīng)歷過手冢治蟲連載漫畫的那個年代，但是，其
-
如何讓深度學習變得簡單
在不遠的過去，數(shù)據(jù)科學團隊需要一些東西來有效地利用深度學習： 新穎的模型架構，很可能是內部設計的 訪問大型且可能是專有的數(shù)據(jù)集 大規(guī)模模型訓練所需的硬件或資金 這
-
優(yōu)勢和缺點同樣明顯的Alexa未來將會走向何方
2018年，亞馬遜Alexa語音助手取得的進步更多來自于廣度而不是深度。記得，亞馬遜在2014年秋季推出了第一款AI人工智能音響Echo時，當時很多人都不了解Echo的運行機制是怎樣的。從2014年到
