找到 3 条结果 · IEEE Access
超参数优化自动化机器学习与可解释人工智能模型的对比分析
Comparative Analysis of Automated Machine Learning for Hyperparameter Optimization
Muhammad Salman Khan · Tianbo Peng · Hanzlah Akhlaq · Muhammad Adeel Khan · IEEE Access · 2025年1月
人工智能AI日益应用于解决复杂现实问题。AI最重大挑战之一在于为给定任务选择和微调最优算法。自动化机器学习AutoML模型作为应对这一挑战的有前途解决方案出现，通过系统探索超参数空间高效识别最优配置。本研究通过对AutoML框架进行超参数优化综合对比分析以及评估各种可解释性技术提升模型可解释性有效性，解决当前文献中的关键空白。为此，选择随机森林RF作为基础模型并与九种不同AutoML框架集成，即随机搜索RS、网格搜索GS、Hyperopt、TPOT、Optuna、GP Minimize、Fore...
解读: 该自动化机器学习技术对阳光电源数据分析和优化具有重要应用价值。阳光iSolarCloud平台处理海量光伏储能运行数据，需要高效的机器学习模型开发工具。该研究的AutoML框架对比和Optuna优选结果可指导阳光优化云平台的预测模型，如光伏发电预测、电池寿命预测和故障诊断。在储能系统优化中，该超参数自...
多目标集成电路物理布局优化的分层深度强化学习及拥塞感知奖励塑造
Hierarchical Deep Reinforcement Learning for Multi-Objective Integrated Circuit Physical Layout Optimization With Congestion-Aware Reward Shaping
Haijian Zhang · Yao Ge · Xiuyuan Zhao · Jiyuan Wang · IEEE Access · 2025年1月
随着半导体技术向先进节点演进,集成电路物理布局优化面临关键挑战,传统EDA工具难以同时优化布线拥塞、功耗和时序等多个冲突目标。本文提出一种新型分层深度强化学习框架,采用拥塞感知奖励塑造机制动态平衡探索与利用。
解读: 该深度强化学习优化技术可直接应用于阳光电源SiC功率模块的芯片布局设计。通过多目标优化框架同时优化功率密度、热分布和可靠性,为ST系列储能变流器的新一代高功率密度芯片设计提供AI辅助工具。...
基于机器学习和可解释人工智能的分布式智能电网可解释预测
Interpretable Prediction of a Decentralized Smart Grid Based on Machine Learning and Explainable Artificial Intelligence
Ahmet Cifci · IEEE Access · 2025年1月
分布式智能电网概念已成为高效管理和分配电能的可行方法。确保电网稳定性和可靠性，特别是在可再生能源集成和产消者数量增加的情况下，是该领域的主要挑战。本研究通过利用机器学习ML模型和可解释人工智能XAI技术预测分布式智能电网稳定性来应对该挑战。研究实施分布式智能电网控制DSGC概念的四节点星型网络，使用基于该网络仿真的数据集。对比十种ML模型包括AdaBoost、ANN、GBoost、k-NN、LR、NB、RF、SGD、SVM和XGBoost在预测电网稳定性方面的性能。采用XAI方法特别是SHAP和...
解读: 该智能电网稳定性预测技术对阳光电源虚拟电厂和智能电网解决方案有重要应用价值。阳光iSolarCloud平台管理分布式光伏储能资源，需要准确的电网稳定性预测。机器学习模型可集成到阳光平台的智能调度系统中，提前识别潜在稳定性风险。可解释AI技术SHAP可增强阳光智能决策系统的透明度和可信度。产消者管理是...