- Прогнозирование скорости ветра с использованием гибридной модели многослойного персептрона и алгоритма оптимизации китов (arXiv)
Автор: Саид Самадианфард, Саджад Хашеми, Катаюн Каргар, Моджтаба Изадьяр, Али Мостафаейпур, Амир Мосави, Нарджес Набипур, Шахабоддин Шамширбанд.
Аннотация: Энергия ветра как возобновляемый источник энергии имеет многочисленные экономические, экологические и социальные преимущества. Для улучшения и контроля возобновляемой энергии ветра жизненно важно использовать модели, которые предсказывают скорость ветра с высокой точностью. Из-за пренебрежения требованием и важностью предварительной обработки данных и игнорирования неадекватности использования одной модели прогнозирования многие традиционные модели имеют плохую производительность при прогнозировании скорости ветра. В текущем исследовании для прогнозирования скорости ветра на целевых станциях на севере Ирана используется комбинация многослойной модели персептрона (MLP) с алгоритмом оптимизации китов (WOA) для создания нового метода (MLP-WOA) с ограниченный набор данных (2004–2014 гг.). Затем модель MLP-WOA была использована на каждой из десяти целевых станций, с девятью станциями для обучения и десятой станцией для тестирования (а именно: Астара, Бандар-э-Анзели, Рашт, Манжил, Джиранде, Талеш, Кияшар, Лахиджан). , Масуле и Дейламан), чтобы повысить точность последующей гибридной модели. Возможности гибридной модели в прогнозировании скорости ветра на каждой целевой станции сравнивались с моделью MLP без оптимизатора WOA. Для определения определенных результатов использовались многочисленные статистические характеристики. Для всех десяти целевых станций модель MLP-WOA давала более точные результаты, чем автономная модель MLP. Гибридная модель имела приемлемые характеристики с меньшим количеством параметров RMSE, SI и RE и более высокими значениями параметров NSE, WI и KGE. Был сделан вывод, что алгоритм оптимизации WOA может повысить точность прогнозирования модели MLP и может быть рекомендован для точного прогнозирования скорости ветра.
2. Более богатые априоры для бесконечно широких многослойных персептронов (arXiv)
Автор: Рассел Цучида, Фред Руста, Маркус Галлахер.
Аннотация: Хорошо известно, что распределение по функциям, индуцированное априорным распределением с нулевым средним по параметрам многослойного персептрона (MLP), сходится к гауссовскому процессу (GP) в мягких условиях. Мы распространяем этот результат, во-первых, на независимые априоры с общими нулевыми или ненулевыми средними, а во-вторых, на семейство частично заменяемых априоров, которые обобщают iid априоры. Мы обсудим, как второй априор возникает естественным образом при рассмотрении класса эквивалентности функций в MLP и в процессах обучения, таких как стохастический градиентный спуск. Модель, полученная на основе частично заменяемых априорных данных, представляет собой GP с дополнительным уровнем логического вывода в том смысле, что априорные и апостериорные прогностические распределения требуют маргинализации по гиперпараметрам. Мы выводим ядра ограничивающей GP в глубоких MLP и эмпирически показываем, что эти ядра избегают определенных патологий, присутствующих в ранее изученных априорных состояниях. Мы эмпирически оцениваем наши заявления о сходимости, измеряя максимальное среднее несоответствие между моделями конечной ширины и ограничивающими моделями. Мы сравниваем производительность нашей новой ограничивающей модели с некоторыми ранее обсуждавшимися моделями задач синтетической регрессии. Мы наблюдаем растущую плохую обусловленность маргинального правдоподобия и гиперапостериорной зависимости по мере увеличения глубины модели, проводя параллели с сетями конечной ширины, которые требуют заведомо сложных оптимизационных приемов.
