Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关实验视频

Updated: Jul 13, 2025

Deep Neural Networks for Image-Based Dietary Assessment
13:19

Deep Neural Networks for Image-Based Dietary Assessment

Published on: March 13, 2021

9.2K

改进了吉萨金字塔建设算法 修改基于深度神经网络的能源需求预测方法.

Xue Wang1, Saeid Razmjooy2,3

  • 1Admissions and Employment Guidance Center, Xi'an Peihua University, Xi'an 710125, Shaanxi, China.

Heliyon
|October 16, 2023
PubMed
概括
此摘要是机器生成的。

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

Intelligent Parkinson's disease identification via Residual-Shuffle Network optimized by Improved Dandelion Optimizer.

Scientific reports·2026
Same author

Combining an improved political optimizer with convolutional neural networks for accurate anterior cruciate ligament tear detection in sports injuries.

Scientific reports·2025
Same author

<b>Economic and</b> t<b>echnical</b> a<b>nalysis of an HRES (Hybrid Renewabl</b> <b>e Energy System)</b> c<b>omprising</b> w<b>ind, PV, and</b> f<b>uel</b> c<b>ells using an</b> i<b>mproved</b> s<b>ubtraction-</b>a<b>verage-</b>b<b>ased</b> o<b>ptimizer</b>.

Heliyon·2024
Same author

The improved aquila optimization approach for cost-effective design of hybrid renewable energy systems.

Heliyon·2024
Same author

Therapeutic effect of methyl salicylate 2-O-β-d-lactoside on LPS-induced acute lung injury by inhibiting TAK1/NF-kappaB phosphorylation and NLRP3 expression.

International immunopharmacology·2016
Same author

inFRank: a ranking-based identification of influential genes in biological networks.

Oncotarget·2016

本研究引入了一种新方法,将深度神经网络 (DNN) 与增强的吉萨金字塔建造方法相结合,用于准确预测能源需求. 与现有模型相比,这种新的方法显著提高了不同时间尺度的预测准确性.

科学领域:

  • 能源系统工程 能源系统工程
  • 人工智能的人工智能
  • 计算科学 计算科学

背景情况:

  • 精确的能源需求预测对于优化能源系统,降低成本和提高服务可靠性至关重要.
  • 深度神经网络 (DNN) 对于能源预测是有效的,但对数据质量和超参数选择可能敏感.
  • 现有的预测模型,如修改的BP神经网络 (MBPNN),基于神经网络的遗传算法 (NNGA),强化学习和深度神经网络 (RLDNN) 都存在局限性.

研究的目的:

  • 通过将DNN与增强的吉萨金字塔建造方法相结合,提出一种新的,更可靠的能源需求预测技术.
  • 优化DNN超参数选择,以提高预测准确性和有效性.
  • 通过使用真实世界能源需求数据对最先进的模型进行评估.

主要方法:

  • 开发了一种综合方法,将深度神经网络 (DNN) 结合起来,以捕捉复杂的变量关系,并改进了吉萨金字塔构建算法 (IGPCA) 以实现最佳的超参数调整.
  • 利用现实世界能源需求数据进行模型评估.
  • 与MBPNN,NNGA和RLDNN模型对比拟的IGPCA/DNN方法进行了基准测试.

主要成果:

  • 拟议的IGPCA/DNN方法在短期,中期和长期预测期内显示出优越的能源预测准确性.
  • 实现了较低的平均平方误差 (MSE) 评分:0.564 (短期),0.587 (中期) 和0.629 (长期),表现优于基线模型.
关键词:
深度神经网络是一种深度神经网络.效率 效率是指效率是指效率.能源需求 能源需求 能源需求预测 预测 预测 预测改进了吉萨金字塔的建造算法.

更多相关视频

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
03:31

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

568
Deep Learning-Based Segmentation of Cryo-Electron Tomograms
10:25

Deep Learning-Based Segmentation of Cryo-Electron Tomograms

Published on: November 11, 2022

8.9K

相关实验视频

Last Updated: Jul 13, 2025

Deep Neural Networks for Image-Based Dietary Assessment
13:19

Deep Neural Networks for Image-Based Dietary Assessment

Published on: March 13, 2021

9.2K
Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
03:31

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

568
Deep Learning-Based Segmentation of Cryo-Electron Tomograms
10:25

Deep Learning-Based Segmentation of Cryo-Electron Tomograms

Published on: November 11, 2022

8.9K
  • 改进的吉萨金字塔建造方法有效优化了DNN的超参数,从而提高了预测性能.

    • 结论:

    • 新的DNN集成和增强的吉萨金字塔建造方法提供了更可靠和有效的解决方案,用于能源需求预测.
    • 拟议的方法在预测准确性和可靠性方面明显优于现有的最先进模型.
    • 准确的能源需求预测对于优化能源系统运行和降低相关成本至关重要.