深度神经网络中的自适应迁移学习：基于区域间与不同任务域间知识迁移的风电功率预测
机器学习
2019-08-20 v2 机器学习
摘要
深度神经网络中的迁移学习（TL）正变得日益重要，因为在多数应用中数据标注成本高且耗时。此外，TL也为深度神经网络提供了有效的权重初始化策略。本文提出深度神经网络中的自适应迁移学习（ATL-DNN）用于风电功率预测的思路。具体地，我们针对风电功率预测表明，深度神经网络系统的自适应TL可就不同风场的训练进行自适应调整。所提ATL-DNN技术用于短期风电功率预测测试，其中需利用持续到达的信息。自适应TL不仅提供良好的权重初始化，还有助于利用新到达数据实现有效学习。此外，所提ATL-DNN技术被证明可在不同任务域间（风电功率至风速预测）以及区域间迁移知识。仿真结果表明，所提ATL-DNN技术在平均绝对误差、均方根误差和标准差误差上的平均值分别为0.0637、0.0986和0.0984。
引用
@article{arxiv.1810.12611,
title = {Adaptive Transfer Learning in Deep Neural Networks: Wind Power Prediction using Knowledge Transfer from Region to Region and Between Different Task Domains},
author = {Aqsa Saeed Qureshi and Asifullah Khan},
journal= {arXiv preprint arXiv:1810.12611},
year = {2019}
}
备注
28 pages, 21 figures, and 11 tables