申请/专利权人:东南大学
申请日:2023-11-29
公开(公告)日:2024-04-12
公开(公告)号:CN117874483A
主分类号:G06F18/213
分类号:G06F18/213;G06N3/0455;G06N3/084;G06N3/082;G06F18/214;G06F18/21;G06F123/02
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.30#实质审查的生效;2024.04.12#公开
摘要:本发明提出了用于数据压缩感知重建任务的双向梯形注意力预测方法,(1)光伏终端数据集压缩感知采样;(2)数据集划分、数据预处理以及改进模型的搭建;(3)数据集划分、数据预处理以及改进模型的搭建;(4)模型评价指标。本发明将提出的改进双向梯形注意力预测模型,应用到压缩感知的重建方法上,对比传统的基追踪重建(BP)算法和正交匹配追踪(OMP)算法,该模型实现了最佳的重建信号性能。该重建方法有效避免了传统方案计算复杂度大的问题,提高了数据重建的质量。
主权项:1.用于数据压缩感知重建任务的双向梯形注意力预测方法,其特征在于,具体步骤如下:步骤1:构建光伏终端设备状态时序数据集;分别取光伏终端的单位平方米总输出功率、单位平方米三项电压、单位平方米三相电流、单位平方米三项输出功率以及记录时间,构建光伏终端设备状态时序数据集;步骤2:数据集的划分和稀疏采样:将原始光伏终端设备状态数据集划分为训练集、验证集,用以作为改进双向循环Transformer模型训练,对数据集进行压缩感知稀疏采样,测量矩阵分别使用部分哈达玛矩阵和高斯随机矩阵构建测试集;步骤3:改进双向循环Transformer模型的搭建、训练及优化过程:搭建改进双向循环Transformer模型,采用Attention神经元搭建编码器-解码器架构,每个Attention神经元加入重新设计的多头自注意力机制,编码器和解码器中分别搭建双向循环结构,正向和反向结合的结构,提取数据的正向特征和反向特征,比单向神经网络更高的拟合度,搭建好模型后,设置网络超参数并配置网络模型结构参数,通过对模型不断优化,使模型达到收敛;步骤4:模型评价指标;加载模型并在验证集上进行验证,通过使用多种模型评价指标,在测试集上对网络模型进行综合评估。
全文数据:
权利要求:
百度查询: 东南大学 用于数据压缩感知重建任务的双向梯形注意力预测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。