CN107248740B - 一种家庭用电设备负荷预测方法 - Google Patents

Abstract

本发明公开了一种家庭用电设备负荷预测方法，它包括：收集表征家庭用电设备所处各种环境状态的环境数据；收集家庭用电设备在各种环境状态下的用电负荷数据；对收集的用电负荷数据进行数据清洗；对经过数据清洗后的用电负荷数据进行属性值编码处理；构建一个以上自编码器模型，依次初始化自编码器模型参数；依次训练每个自编码器模型；将训练后的所有自编码器模型搭建出深度堆叠自编码器模型进行初始化参数设置；对深度堆叠自编码器模型进行深度训练；利用训练好的深度堆叠自编码模型实现家庭用电设备的用电负荷预测；解决了现有技术对电力负荷预测由于电力负荷的复杂性和多变性，很难建立精准的模型对其进行预测等技术问题。

Description

一种家庭用电设备负荷预测方法

技术领域

本发明属于家庭用电设备负荷预测技术，尤其涉及一种家庭用电设备负荷预测方法。

背景技术

电力负荷的精准预测对电力生产以及电力系统的安全运行具有重大的意义。但是由于电力负荷的复杂性和多变性，很难建立精准的模型对其进行预测，传统的负荷预测方法均存在一定的缺陷，这导致负荷预测的难题一直悬而未决。同时目前，随着“互联网+”口号的提出，随着能源互联网的迅猛发展，越来越多的用电设备接入互联网中，在这过程中势必产生大量的用电数据，如何利用这些海量的数据，从大量的数据中深度挖掘出各种用电设备的负荷变化特点，从而实现用电设备的负荷精准，不但于提高用户侧的用电经济性，更有助于电网调度机构制定发电计划以实现供需平衡，有利于大大提高电力系统运行的安全性和经济性。

发明内容：

本发明要解决的技术问题：提供一种家庭用电设备负荷预测方法，以解决现有技术对电力负荷预测由于电力负荷的复杂性和多变性，传统的负荷预测方法均存在一定的缺陷，很难建立精准的模型对其进行预测等技术问题。

本发明技术方案：

一种家庭用电设备负荷预测方法，它包括：

步骤1、收集表征家庭用电设备所处各种环境状态的环境数据；

步骤2、收集家庭用电设备在各种环境状态下的用电负荷数据；

步骤3、对收集的用电负荷数据进行数据清洗；

步骤4、对经过数据清洗后的用电负荷数据进行属性值编码处理，形成带属性值编码的用电负荷数据和不带属性值编码的用电负荷数据；

步骤5、构建一个以上自编码器模型，依次初始化自编码器模型参数；

步骤6、利用不带属性值编码的用电负荷数据作为各个自编码器模型的训练数据，依次训练每个自编码器模型；

步骤7、将经过训练后的所有自编码器模型依次首尾级联堆叠，并采用多元分类器作为输出层，搭建出深度堆叠自编码器模型；

步骤8、对深度堆叠自编码器模型进行初始化参数设置；

步骤9、利用带属性值编码的用电负荷数据作为深度堆叠自编码器模型的训练数据，对深度堆叠自编码器模型进行深度训练；

步骤10、利用训练好的深度堆叠自编码模型，输入家庭用电设备所处环境状态的环境数据，通过深度堆叠自编码器模型实现家庭用电设备的用电负荷预测。

步骤1所述收集表征家庭用电设备所处各种环境状态的环境数据它包括光照强度、温度、湿度以及PM2.5颗粒物数据；用公式：S＝{S₁,S₂,S₃,S₄}表示；

式中：S表示环境数据集，一个数据集中四种数据的组合表示一种环境状态；S₁表示光照强度数据；S₂表示温度数据；S₃表示湿度数据；S₄表示PM2.5颗粒物数据。

步骤2所述的用电负荷数据包括有功负荷数据和无功负荷数据；

表述如下：

L＝{L₁,L₂,L₃,L₄,L₅,L₆,L₇,L₈,L₉,L₁₀}＝{冰箱，空调，洗衣机，电视机，电脑、日光灯，电风扇，热水器，饮水机，电饭锅}

用电负荷数据：D＝{D₁,D₂,D₃,D₄,D₅,D₆,D₇,D₈,D₉,D₁₀}

D_i＝[P_i,Q_i]′,(i＝1,2,...10)

式中：L表示由10台典型家庭用电设备组成的设备集合；L_i表示L中第i台家庭用电设备，i＝1,2,...,10；D表示10台典型家庭用电设备在各种环境状态下的用电负荷数据集合；D_i表示L中第i个家庭用电设备L_i在各种环境状态下的用电负荷数据，包括有功用电负荷数据P_i和无功用电负荷数据Q_i，i＝1,2,...,10；D_i由用电设备连续一年365天的日用电负荷数据组成。

步骤3所述对收集的用电负荷数据进行数据清洗，包括填写空缺

数据、替换噪声数据和去除重复数据；对每个家庭用电设备的用

电负荷数据D_i，根据拉格朗日三次多项式插值法，填写空缺数据

和替换噪声数据；具体如下：

d'＝l_i*d_i+l_j*d_j+l_k*d_k

l_i＝((x'-x_j)*(x'-x_k))/((x_i-x_j)*(x_i-x_k))

l_j＝((x'-x_i)*(x'-x_k))/((x_j-x_i)*(x_j-x_k))

l_k＝((x'-x_i)*(x'-x_j))/((x_k-x_i)*(x_k-x_j))

式中：d_i、d_j、d_k表示某个用电负荷数据D_i中的第i、j、k个正常数据，d'为空缺数据或需被替换的噪声数据，l_i、l_j、l_k表示与数据d_i、d_j、d_k对应的插值修正系数，x_i、x_j、x_k表示数据在用电负荷数据D_i中所处的第i、j、k个位置，x'是指数据d'在用电负荷数据D_i中所处的位置。

步骤4所述形成带属性值编码的用电负荷数据的方法为：对各家庭用电设备的用电负荷数据，标示数据来源的该家庭用电设备，并标示采集数据时设备所处的环境状态；形成不带属性值编码的用电负荷数据的方法为：对各用电负荷数据，不标示数据来源的家庭用电设备，同时不标示采集数据时设备所处的环境状态。

步骤5所述构建一个以上自编码器模型，依次初始化自编码器模型参数的方法为：搭建10个自编码器模型，设置每个自编码器模型的隐含层与可视层神经元个数，并设置每个神经元的初始化参数：

V＝[4,10,50,100,500,100,50,20,10,5]

H＝[10,50,100,500,100,50,20,10,5,1]

W＝0.5

B＝0.5

式中：V表示每个自编码器模型的可视层神经元个数；H表示每个自编码器模型的隐含层神经元个数；W表示自编码器模型隐含层与可视层之间神经元连接权重初始值；B表示自编码器模型隐含层、可视层神经元的偏置初始值。

利用不带属性值编码的用电负荷数据作为各个自编码器模型的训

练数据，依次训练每个自编码器模型；模型训练参数设置为：

η₁＝0.8

K₁＝20

η₁表示每个自编码器模型在迭代训练过程中的学习速率；K₁表示每个自编码器模型在迭代训练过程中的训练步数。

步骤7所述搭建出的深度堆叠自编码器模型为：

SAE＝[4,10,50,100,500,100,50,20,10,5,1]

式中：SAE表示搭建出来的深度堆叠自编码器模型，矩阵中各元素表示各层神经元的个数；该堆叠自编码模型由10个自编码器模型堆叠而成，共有11层，每两层神经元组成一个自编码器模型；输入层有四个神经元，用于输入表征当前环境状态的四个环境数据；输出层采用softmax回归多元分类器，神经元个数为1，设置分类总数为10，用于辨识10种家庭用电设备类型；

步骤8所述对深度堆叠自编码器模型进行初始化参数设置方法为：W₂＝W′

B₂＝B′

式中：W₂为各隐含层与可视层之间神经元连接权重初始值；B₂为偏置初始值。

步骤9所述利用带属性值编码的用电负荷数据作为深度堆叠自编码器模型的训练数据，对深度堆叠自编码器模型进行深度训练的方法为：深度堆叠自编码器模型的输入为带属性值编码的用电负荷数据中标记的各环境数据，深度堆叠自编码器模型的输出为带属性值编码的用电负荷数据中的有功负荷数据和无功负荷数据；模型训练参数设置为：

η₂＝0.5

K₂＝50

式中：η₂、K₂分别表示深度堆叠自编码模型在迭代训练过程中的学习速率和迭代步数。

本发明的有益效果：

本发明设计的基于深度堆叠自编码模型的家庭用电设备负荷预测方法，考虑了各种环境因素对各种家庭用电设备的直接影响，根据表征环境状态的环境数据的变化预测家庭用电设备的变化，实现家庭用电设备负荷精准预测的目的，有利于提高家庭用户的用电经济性，同时有助于电网的发电计划安排。

本发明设计的基于深度堆叠自编码模型的家庭用电设备负荷预测方法，搭建了深度堆叠自编码器模型对家庭用电设备的负荷进行深度学习，通过大量先验负荷数据对深度堆叠自编码器模型进行深度训练，最终得到训练好的深度堆叠自编码器模型，根据当前家庭所处的环境数据即可快速实现各种家庭用电设备负荷的精准预测，方法快速、精确。

本发明设计的基于深度堆叠自编码模型的家庭用电设备负荷预测方法，过程中用于训练深度堆叠自编码器模型的先验负荷数据仅仅为简单的瞬时有功和瞬时无功负荷数据，数据简单易得，易于采集，模型的训练易于实现。

解决了现有技术对电力负荷预测由于电力负荷的复杂性和多变性，传统的负荷预测方法均存在一定的缺陷，很难建立精准的模型对其进行预测等技术问题。

附图说明：

图1为本发明家庭用电设备负荷预测方法流程图；

图2为电脑在某环境状态下的某日6h内瞬时有功负荷实测数据曲线图；

图3为电脑在某环境状态下的某日6h内瞬时无功负荷实测数据曲线图。

具体实施方式：

为了进一步对本发明技术方案进行说明：请参考图1、图2和图3，通过搭建深度堆叠自编码器模型分析各种环境因素，包括光照强度、温度、湿度和PM2.5颗粒物对各种常见家庭用电设备的用电负荷的影响，利用已有的在各种环境下的家庭用电设备的用电负荷数据训练该深度堆叠自编码器模型，最终得到训练好的深度堆叠自编码器模型，根据当前家庭所处的环境即可实现各种家庭用电设备负荷的预测。该家庭用电设备负荷预测方法包括以下步骤：

步骤A1，收集表征家庭用电设备所处各种环境状态的环境数据。各种类型环境数据的不同组合表示各种不同的环境状态。所述各种类型环境数据包括光照强度、温度、湿度以及PM2.5颗粒物数据。其中：

S＝{S₁,S₂,S₃,S₄}

其中，S表示环境数据集，一个数据集中四种数据的组合表示一种环境状态；S₁表示光照强度数据；S₂表示温度数据；S₃表示湿度数据；S₄表示PM2.5颗粒物数据。

步骤A2，收集各个家庭用电设备在各种环境状态下的用电负荷数据，需要收集的用电负荷数据包括：有功负荷数据和无功负荷数据。其中：

家庭用电设备集合：

L＝{L₁,L₂,L₃,L₄,L₅,L₆,L₇,L₈,L₉,L₁₀}＝{冰箱，空调，洗衣机，电视机，电脑、日光灯，电风扇，热水器，饮水机，电饭锅}

用电负荷数据：D＝{D₁,D₂,D₃,D₄,D₅,D₆,D₇,D₈,D₉,D₁₀}

D_i＝[P_i,Q_i]′,(i＝1,2,...10)

其中，L表示由10台典型家庭用电设备组成的设备集合；L_i表示L中第i台家庭用电设备，i＝1,2,...,10；D表示10台典型家庭用电设备在各种环境状态下的用电负荷数据集合；D_i表示L中第i个家庭用电设备L_i在各种环境状态下的用电负荷数据，包括有功用电负荷数据P_i和无功用电负荷数据Q_i，i＝1,2,...,10；D_i由用电设备连续一年365天的日用电负荷数据组成，日用电负荷数据指在一天24h内每隔2min采集家庭用电设备L_i的瞬时有功负荷和瞬时无功负荷数据最终取其平均值所形成的数据，故每个用电负荷数据D_i的矩阵维度是2*365，共有730个数据点。

图2为电脑在某环境状态下的某日6h内瞬时有功负荷实测数据曲线图。

图3为电脑在某环境状态下的某日6h内瞬时无功负荷实测数据曲线图。

步骤A3，对收集的用电负荷数据进行数据清洗，包括填写空缺数据、替换噪声数据和去除重复数据。对每个家庭用电设备的用电负荷数据D_i，根据拉格朗日三次多项式插值法，填写空缺数据和替换噪声数据。具体如下：

d'＝l_i*d_i+l_j*d_j+l_k*d_k

l_i＝((x'-x_j)*(x'-x_k))/((x_i-x_j)*(x_i-x_k))

l_j＝((x'-x_i)*(x'-x_k))/((x_j-x_i)*(x_j-x_k))

l_k＝((x'-x_i)*(x'-x_j))/((x_k-x_i)*(x_k-x_j))

其中，d_i、d_j、d_k表示某个用电负荷数据D_i中的第i、j、k个正常数据，d'为空缺数据或需被替换的噪声数据，l_i、l_j、l_k表示与数据d_i、d_j、d_k对应的插值修正系数，x_i、x_j、x_k表示数据在用电负荷数据D_i中所处的第i、j、k个位置，x'是指数据d'在用电负荷数据D_i中所处的位置。

步骤A4，对经过数据清洗后的用电负荷数据进行属性值编码处理，形成带属性值编码的用电负荷数据和不带属性值编码的用电负荷数据。形成带属性值编码的用电负荷数据的具体操作包括：对各家庭用电设备的用电负荷数据，标示数据来源的该家庭用电设备，并标示采集数据时设备所处的环境状态。形成不带属性值编码的用电负荷数据的具体操作包括：对各用电负荷数据，不标示数据来源的家庭用电设备，同时不标示采集数据时设备所处的环境状态。

步骤A5，构建多个自编码器模型，依次初始化自编码器模型参数。搭建10个自编码器模型，设置每个自编码器模型的隐含层与可视层神经元个数，并设置每个神经元的初始化参数：

V＝[4,10,50,100,500,100,50,20,10,5]

H＝[10,50,100,500,100,50,20,10,5,1]

W＝0.5

B＝0.5

其中，V表示每个自编码器模型的可视层神经元个数；H表示每个自编码器模型的隐含层神经元个数；W表示自编码器模型隐含层与可视层之间神经元连接权重初始值；B表示自编码器模型隐含层、可视层神经元的偏置初始值；

步骤A6，利用不带属性值编码的用电负荷数据作为各个自编码器模型的训练数据，依次训练每个自编码器模型。模型训练参数具体设置如下：

η₁＝0.8

K₁＝20

η₁表示每个自编码器模型在迭代训练过程中的学习速率；K₁表示每个自编码器模型在迭代训练过程中的训练步数；

步骤A7，将经过训练的所有自编码器模型依次首尾级联堆叠，并采用多元分类器作为输出层，搭建出深度堆叠自编码器模型。搭建出的深度堆叠自编码器模型如下：

SAE＝[4,10,50,100,500,100,50,20,10,5,1]

其中，SAE表示搭建出来的深度堆叠自编码器模型，矩阵中各元素表示各层神经元的个数。该堆叠自编码模型由10个自编码器模型堆叠而成，共有11层，每两层神经元组成一个自编码器模型。输入层有四个神经元，用于输入表征当前环境状态的四个环境数据。输出层采用softmax回归多元分类器，神经元个数为1，设置分类总数为10，用于辨识10种家庭用电设备类型。

步骤A8，对堆叠自编码器模型进行初始化参数设置，设置深度堆叠自编码器模型中每层神经元的初始化参数如下：

W₂＝W′

B₂＝B′

其中，各隐含层与可视层之间神经元连接权重初始值W₂和偏置初始值B₂等于步骤5中的连接权重值初始值W和偏置值初始值B在完成步骤6的训练后得到的连接权重值W′和偏置值B′。

步骤A9，利用带属性值编码的用电负荷数据作为深度堆叠自编码器模型的训练数据，对深度堆叠自编码器模型进行深度训练。其中，深度堆叠自编码器模型的输入为带属性值编码的用电负荷数据中标记的各环境数据，深度堆叠自编码器模型的输出为带属性值编码的用电负荷数据中的有功负荷数据和无功负荷数据。模型训练参数具体设置如下：

η₂＝0.5

K₂＝50

其中，η₂、K₂分别表示深度堆叠自编码模型在迭代训练过程中的学习速率和迭代步数。

步骤A10，利用训练好的深度堆叠自编码模型，输入家庭用电设备所处环境状态的环境数据，通过深度堆叠自编码器模型分析计算，实现家庭用电设备的用电负荷预测。其中，深度堆叠自编码模型实现家庭用电设备的用电负荷预测，输出各家庭用电设备的负荷预测值，包括有功负荷预测值和无功负荷预测值。

本发明的基于深度堆叠自编码模型的家庭用电设备负荷预测方法相对于现有技术具有如下的优点及效果：

(1)本发明设计的基于深度堆叠自编码模型的家庭用电设备负荷预测方法，考虑了各种环境因素对各种家庭用电设备的直接影响，根据表征环境状态的环境数据的变化预测家庭用电设备的变化，实现家庭用电设备负荷精准预测的目的，有利于提高家庭用户的用电经济性，同时有助于电网的发电计划安排。

(2)本发明设计的基于深度堆叠自编码模型的家庭用电设备负荷预测方法，搭建了深度堆叠自编码器模型对家庭用电设备的负荷进行深度学习，通过大量先验负荷数据对深度堆叠自编码器模型进行深度训练，最终得到训练好的深度堆叠自编码器模型，根据当前家庭所处的环境数据即可快速实现各种家庭用电设备负荷的精准预测，方法快速、精确。

(3)本发明设计的基于深度堆叠自编码模型的家庭用电设备负荷预测方法，过程中用于训练深度堆叠自编码器模型的先验负荷数据仅仅为简单的瞬时有功和瞬时无功负荷数据，数据简单易得，易于采集，模型的训练易于实现。

Claims (7)

1.一种家庭用电设备负荷预测方法，它包括：

步骤1、收集表征家庭用电设备所处各种环境状态的环境数据；

步骤1所述收集表征家庭用电设备所处各种环境状态的环境数据它包括光照强度、温度、湿度以及PM2.5颗粒物数据；用公式：

S＝{S₁,S₂,S₃,S₄}表示；

式中：S表示环境数据集，一个数据集中四种数据的组合表示一种环境状态；S₁表示光照强度数据；S₂表示温度数据；S₃表示湿度数据；S₄表示PM2.5颗粒物数据；

步骤2、收集家庭用电设备在各种环境状态下的用电负荷数据；步骤2所述的用电负荷数据包括有功负荷数据和无功负荷数据；表述如下：

L＝{L₁,L₂,L₃,L₄,L₅,L₆,L₇,L₈,L₉,L₁₀}＝{冰箱，空调，洗衣机，电视机，电脑、日光灯，电风扇，热水器，饮水机，电饭锅}

用电负荷数据：D＝{D₁,D₂,D₃,D₄,D₅,D₆,D₇,D₈,D₉,D₁₀}

D_i＝[P_i,Q_i]′,(i＝1,2,...10)

式中：L表示由10台典型家庭用电设备组成的设备集合；L_i表示L中第i台家庭用电设备，i＝1,2,...,10；D表示10台典型家庭用电设备在各种环境状态下的用电负荷数据集合；D_i表示L中第i个家庭用电设备L_i在各种环境状态下的用电负荷数据，包括有功用电负荷数据P_i和无功用电负荷数据Q_i，i＝1,2,...,10；D_i由用电设备连续一年365天的日用电负荷数据组成；

步骤3、对收集的用电负荷数据进行数据清洗；

步骤4、对经过数据清洗后的用电负荷数据进行属性值编码处理，形成带属性值编码的用电负荷数据和不带属性值编码的用电负荷数据；

步骤5、构建一个以上自编码器模型，依次初始化自编码器模型参数；

步骤6、利用不带属性值编码的用电负荷数据作为各个自编码器模型的训练数据，依次训练每个自编码器模型；

步骤7、将经过训练后的所有自编码器模型依次首尾级联堆叠，并采用多元分类器作为输出层，搭建出深度堆叠自编码器模型；

步骤8、对深度堆叠自编码器模型进行初始化参数设置；

步骤9、利用带属性值编码的用电负荷数据作为深度堆叠自编码器模型的训练数据，对深度堆叠自编码器模型进行深度训练；

步骤10、利用训练好的深度堆叠自编码模型，输入家庭用电设备所处环境状态的环境数据，通过深度堆叠自编码器模型实现家庭用电设备的用电负荷预测。

2.根据权利要求1所述的一种家庭用电设备负荷预测方法，其特征在于：步骤3所述对收集的用电负荷数据进行数据清洗，包括填写空缺数据、替换噪声数据和去除重复数据；对每个家庭用电设备的用电负荷数据D_i，根据拉格朗日三次多项式插值法，填写空缺数据和替换噪声数据；具体如下：

d'＝l_i*d_i+l_j*d_j+l_k*d_k

l_i＝((x'-x_j)*(x'-x_k))/((x_i-x_j)*(x_i-x_k))

l_j＝((x'-x_i)*(x'-x_k))/((x_j-x_i)*(x_j-x_k))

l_k＝((x'-x_i)*(x'-x_j))/((x_k-x_i)*(x_k-x_j))

式中：d_i、d_j、d_k表示某个用电负荷数据D_i中的第i、j、k个正常数据，d'为空缺数据或需被替换的噪声数据，l_i、l_j、l_k表示与数据d_i、d_j、d_k对应的插值修正系数，x_i、x_j、x_k表示数据在用电负荷数据D_i中所处的第i、j、k个位置，x'是指数据d'在用电负荷数据D_i中所处的位置。

3.根据权利要求1所述的一种家庭用电设备负荷预测方法，其特征在于：步骤4所述形成带属性值编码的用电负荷数据的方法为：对各家庭用电设备的用电负荷数据，标示数据来源的该家庭用电设备，并标示采集数据时设备所处的环境状态；形成不带属性值编码的用电负荷数据的方法为：对各用电负荷数据，不标示数据来源的家庭用电设备，同时不标示采集数据时设备所处的环境状态。

4.根据权利要求1所述的一种家庭用电设备负荷预测方法，其特征在于：步骤5所述构建一个以上自编码器模型，依次初始化自编码器模型参数的方法为：搭建10个自编码器模型，设置每个自编码器模型的隐含层与可视层神经元个数，并设置每个神经元的初始化参数：

V＝[4,10,50,100,500,100,50,20,10,5]

H＝[10,50,100,500,100,50,20,10,5,1]

W＝0.5

B＝0.5

式中：V表示每个自编码器模型的可视层神经元个数；H表示每个自编码器模型的隐含层神经元个数；W表示自编码器模型隐含层与可视层之间神经元连接权重初始值；B表示自编码器模型隐含层、可视层神经元的偏置初始值。

5.根据权利要求1所述的一种家庭用电设备负荷预测方法，其特征在于：利用不带属性值编码的用电负荷数据作为各个自编码器模型的训练数据，依次训练每个自编码器模型；模型训练参数设置为：

η₁＝0.8

K₁＝20

η₁表示每个自编码器模型在迭代训练过程中的学习速率；K₁表示每个自编码器模型在迭代训练过程中的训练步数。

6.根据权利要求1所述的一种家庭用电设备负荷预测方法，其特征在于：步骤7所述搭建出的深度堆叠自编码器模型为：

SAE＝[4,10,50,100,500,100,50,20,10,5,1]

式中：SAE表示搭建出来的深度堆叠自编码器模型，矩阵中各元素表示各层神经元的个数；该堆叠自编码模型由10个自编码器模型堆叠而成，共有11层，每两层神经元组成一个自编码器模型；输入层有四个神经元，用于输入表征当前环境状态的四个环境数据；输出层采用softmax回归多元分类器，神经元个数为1，设置分类总数为10，用于辨识10种家庭用电设备类型；

步骤8所述对深度堆叠自编码器模型进行初始化参数设置方法为：W₂＝W′

B₂＝B′

式中：W₂为各隐含层与可视层之间神经元连接权重初始值；B₂为偏置初始值。

7.根据权利要求1所述的一种家庭用电设备负荷预测方法，其特征在于：步骤9所述利用带属性值编码的用电负荷数据作为深度堆叠自编码器模型的训练数据，对深度堆叠自编码器模型进行深度训练的方法为：深度堆叠自编码器模型的输入为带属性值编码的用电负荷数据中标记的各环境数据，深度堆叠自编码器模型的输出为带属性值编码的用电负荷数据中的有功负荷数据和无功负荷数据；模型训练参数设置为：

η₂＝0.5

K₂＝50

式中：η₂、K₂分别表示深度堆叠自编码模型在迭代训练过程中的学习速率和迭代步数。

Images