A Mean Weighted Squared Error-based Neural Classifier for Intelligent Pattern Recognition in Smart Grids
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Supervised learning is widely used in pattern recognition and classification due to its strong ability to enhance data accuracy. Loss functions have proven to be a critical factor in enhancing the predictive accuracy of intelligent classifiers with diverse architectures and characteristics. This paper introduces a new extension of the conventional Mean Squared Error loss function, called Mean Weighted Squared Error (MWSE), specifically designed for renewable energy classification purposes. In the proposed MWSE, unequal weights are assigned to each estimated data point, unlike the conventional version. In this paper, Multilayer Perceptron Neural Networks (MLPs) are employed to implement the proposed MWSE loss function. To assess the effectiveness of the proposed MWSE-MLP classifier, a total of four benchmark datasets related to the renewable energy have been utilized. The empirical findings demonstrate that the proposed classifier consistently outperforms conventional shallow/deep intelligent classifier across all case studies. On average, the proposed MWSE-MLP classifier achieved an impressive classification rate of 96.21%, which is 1.98% higher than that of the classic MLPs. In addition, numerical results of an extensively reviewed case study indicate that the proposed classifier can also yield more accurate results than some other well-known shallow intelligent classifiers such as support vector machine, random forest, and decision tree by 2.72%, 3.34%, and 3.82% improvement, respectively. These improvements are not limited to shallow intelligent classifiers, but also repeated for deep learning classifiers, such as the long short-term memory, transformers and convolutional deep neural networks.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle