使用类喷气机架构的深度集成学习进行风速预测
信号处理
2020-03-23 v2 机器学习
机器学习
摘要
风是日益广泛使用的一种可再生能源。准确可靠的风速预测对于高效发电是必要的;然而,由于风速依赖于周边区域的气象特征,这并非易事。深度学习目前被广泛用于特征提取。同时观察到,多个学习模型的集成(称为集成学习)通常比单一模型具有更好的性能。喷气机的机翼、尾翼和机头设计改善了空气动力学,使喷气机能够针对气流变化实现平稳受控的飞行。受喷气机形状与工作原理的启发,本文提出一种使用类喷气机架构的深度集成学习(DEL-Jet)技术,以增强学习系统针对输入空间变化的多样性与鲁棒性。基回归器的多样特征空间通过类喷气机集成架构加以利用。使用两个卷积神经网络(作为喷气机机翼)和一个深度自编码器(作为喷气机尾翼)从输入数据中提取多样特征空间。此后,采用非线性 PCA(作为喷气机主体)来降低所提取特征空间的维度。最后,利用降维后的特征空间与原始特征空间共同训练元回归器(作为喷气机机头)以预测风速。所提出的 DEL-Jet 技术的性能通过十次独立运行进行评估,结果表明深度且类喷气机的架构有助于提升学习系统的鲁棒性与泛化能力。
引用
@article{arxiv.2002.12592,
title = {Wind Speed Prediction using Deep Ensemble Learning with a Jet-like Architecture},
author = {Aqsa Saeed Qureshi and Asifullah Khan and Muhammad Waleed Khan},
journal= {arXiv preprint arXiv:2002.12592},
year = {2020}
}
备注
Pages: 14, Tables: 6, Figures: 3