实体
POWER QUALITY DISTURBANCE CLASSIFICATION USING S-TRANSFORM AND RADIAL BASIS NETWORK
POWER QUALITY DISTURBANCE CLASSIFICATION USING S-TRANSFORM AND RADIAL BASIS NETWORK
PulseAugur coverage of POWER QUALITY DISTURBANCE CLASSIFICATION USING S-TRANSFORM AND RADIAL BASIS NETWORK — every cluster mentioning POWER QUALITY DISTURBANCE CLASSIFICATION USING S-TRANSFORM AND RADIAL BASIS NETWORK across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 2
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 2 条
-
新的贝叶斯解释方法提高了电能质量扰动分类器的可靠性
本文介绍了一种新颖的后验贝叶斯解释方法，用于深度学习分类器在电能质量扰动识别中的应用。该方法采用拉普拉斯近似来有效地推导出近似参数后验，从而能够生成扰动定位图的分布。这种方法提供了具有可靠性度量的解释，能够锐化特定事件的定位，并指示在噪声或域偏移下的解释分散性。
-
新框架统一了不确定性感知的可解释人工智能
研究人员引入了一个新的可解释人工智能（XAI）框架，该框架纳入了不确定性感知，超越了确定性归因图。该方法将从贝叶斯神经网络派生的“解释分布”形式化，并提出算子来使用均值和方差等度量来总结该分布。该框架在电能质量扰动分类任务上进行了测试，结果表明，与确定性方法相比，带有均值算子的深度集成提高了定位精度，并揭示了标准归因中不存在的不确定性模式。