|
平成５年度の研究として次の研究を行った。 （１）入力変数の次元圧縮に有効なオートエンコーダーと予測のための浅層ニューラルネットワーク（多層パーセプトロン（MLP)、ラジアル基底関数ネットワーク（RBFN)、一般化ラジアル基底関数ネットワーク（GRBFN)）から構成される深層ニューラルネットネットワーク（DNN)を用いた電力価格予測法について研究した。
（２）オートエンコーダ―の拡張法として学習データに雑音を加味したディノイズィングオートオートエンコーダ―と多層化したオートエンコーダーであるスタッグドオートエンコーダーについて研究した。また、両者を融合したディノイズィングスタッグドオートエンコーダーの性能評価について検討した。
（３）ラジアル基底関数ネットワーク（RBFN)においてスパース手法を導入した手法であるExtreme Learning Machine(ELM)について研究した。ELM理論に基づき、RBFNの基底関数であるガウス関数の平均値と標準偏差をある一定区間の複数の乱数を用いて決定した。複数のモデルから学習データに対する精度が良い上位３つのモデルを採用し、予測モデルのアンサンブル学習モデルを構築した。
（４）入力変数の特徴法としてLevel4のウェブレット変換を使用することについて検討した。
（５）浅層ニューラルネットワークの重みの学習法として進化的計算のBrain Storm Optimization（BSO)の有効性について検討した。評価関数としてL1ノルムを使用した。
|
