简介:摘要随着我国的经济在快速的发展,社会在不断的进步,现代电力负荷数据以海量形式存在,传统单机模式无法满足电力负荷在线预测效果的要求。为了改善大规模电力负荷数据的预测效果,设计了基于极限学习机的分布式电力负荷预测模型。首先提取电力负荷数据,通过混沌理论的相空间重构方法对电力负荷数据进行预处理,产生电力负荷数据预测建模样本,然后将电力负荷数据预测建模样本细分成为多个子样本,通过云计算集群系统的分布式方式并行实现子样本建模,每一个小样本通过极限学习机进行建模和预测,最后采用具体电力负荷数据进行了仿真测试实例研究,测试结果表明,本文模型加快了大规模电力负荷数据建模速度,可以足电力负荷在线预测效果,而且电力负荷预测精度要明显优于当前其它电力负荷预测模型。
简介:摘要当前的深度学习方法使用在基于大型图形处理单元(GPU)的计算机上训练的卷积神经网络(CNN)非常成功。该方法的三个局限性是1)基于简单的分层网络拓扑结构;2)网络采用人工配置以达到最优效;3)神经元模型的实现在成本和功耗上都比较昂贵。在本文中,评估了使用三种不同的计算架构来解决这些问题的深度学习模型量子计算来训练复杂的拓扑结构,高性能计算(HPC)来自动确定网络拓扑结构,以及低功耗硬件的神经形态计算。由于目前量子计算机的输入尺寸限制,实验中使用MNIST数据集。结果显示了将这三种架构结合使用来解决上述深度学习限制的能力。结果表明,量子计算机可以在网络复杂度增加的情况下,在可控制的时间内找到高质量的层内连接权值;高性能计算机可以找到最优的基于层的拓扑结构;在低功耗记忆硬件中,神经形态计算机可以表示其他结构的复杂拓扑结构和权值。
简介:摘要当前的深度学习方法使用在基于大型图形处理单元(GPU)的计算机上训练的卷积神经网络(CNN)非常成功。该方法的三个局限性是1)基于简单的分层网络拓扑结构;2)网络采用人工配置以达到最优效;3)神经元模型的实现在成本和功耗上都比较昂贵。在本文中,评估了使用三种不同的计算架构来解决这些问题的深度学习模型量子计算来训练复杂的拓扑结构,高性能计算(HPC)来自动确定网络拓扑结构,以及低功耗硬件的神经形态计算。由于目前量子计算机的输入尺寸限制,实验中使用MNIST数据集。结果显示了将这三种架构结合使用来解决上述深度学习限制的能力。结果表明,量子计算机可以在网络复杂度增加的情况下,在可控制的时间内找到高质量的层内连接权值;高性能计算机可以找到最优的基于层的拓扑结构;在低功耗记忆硬件中,神经形态计算机可以表示其他结构的复杂拓扑结构和权值。