No abstract

TÓM TẮT:Các mô hình dự báo phụ tải điện theo phương pháp tương quan truyền thống thường có các dạng hàm hồi qui tường minh như Y=f(x1, x2 ,….,xn) hoặc logY=f(logx1, logx2 ,….,logxn) trong đó f có dạng tuyến tính và xi là các yếu tố tương quan: nhiệt độ, dân số, GDP, sản lượng công nghiệp. Tuy nhiên mô hình chỉ áp dụng được khi có tương quan tuyến tính giữa các đại lượng trên với phụ tải điện (thể hiện qua hệ số tương quan). Bài báo trình bày mô hình dự báo tương quan trên ý tưởng sử dụng các luật mờ dạng Takagi-Sugeno theo giải thuật phân loại trừ nhóm cho trường hợp tổng quát, cả khi không có hàm dự báo kiểu tường minh. Khảo sát cho thấy mô hình cho kết quả khả quan khi hàm hồi qui có dạng hàm thường gặp (tuyến tính, tuyến tính theo log hóa), và cả khi không thể tìm được dạng hàm tường minh.Các dự báo điện năng tiêu thụ theo yếu tố nhiệt độ cho một trạm điện của thành phố Hồ chí Minh được trình bày. Từ khóa: Giải thuật trừ nhóm, Luật mờ Takagi-Sugeno, Tương quan, hồi qui. GIỚI THIỆUCác mô hình dự báo phụ tải điện theo phương pháp tương quan thường có các dạng hàm hồi qui tường minh:Y=f(x1, x2 ,…., xn) hoặc logY=f(log x1, log x2 ,….,log xn) trong đó f có dạng tuyến tính và xi là các yếu tố tương quan: nhiệt độ, dân số, GDP, sản lượng công nghiệp…. Mô hình tương quan truyền thống thường dựa trên các đánh giá tương quan giữa các đại lượng. Ví dụ như nếu hàm đề xuất có dạng tuyến tính thì cần phải tính hệ số tương quan r để đánh giá mức độ liên quan tuyến tính giữa phụ tải điện và các đại lượng liên quan [1].Mối quan hệ giữa phụ tải điện với các yếu tố tương quan truyền thống như GDP và các yếu tố kinh tế, xã hội (mức tiêu thụ điện theo đầu người, mức tiêu hao điện năng trên đơn vị sản phẩm, giá điện) bị ảnh hưởng nhiều theo yếu tố thời gian (công nghệ rẻ đi, mức độ điện khí hóa cao lên…). Tất cả điều này làm cho mối quan hệ giữa phụ tải điện với các yếu tố tương quan trở nên không tường minh. Điều này dẫn tới việc sử dụng công nghệ Neural-Fuzzy, Neural net để tìm mối tương quan bằng cách xấp xỉ các hàm phi tuyến. Một số tác giả lại tập trung vào kết hợp với kỹ thuật Wavelet như [2] [4]. Cụ thể như trong [2], mô hình phức tạp được đề xuất với phân tích Wavelet kết hợp với lý thuyết tập mờ để xây dựng các đầu vào cho mạng Neural nhằm xấp xỉ mối tương quan giữa nhiệt độ và tải. Trong bài báo này, chúng tôi đề xuất mô hình dự báo tương quan với số luật mờ sẽ được xác định tự động dựa trên giải thuật trừ nhóm

Voice conversion is a challenging task which transforms the voice characteristics of a source speaker to a target speaker without changing linguistic content. Recently, there have been many works on many-to-many Voice Conversion (VC) based on Variational Autoencoder (VAEs) achieving good results, however, these methods lack the ability to disentangle speaker identity and linguistic content to achieve good performance on unseen speaker's scenarios. In this paper, we propose a new method based on feature disentanglement to tackle many-tomany voice conversion. The method has the capability to disentangle speaker identity and linguistic content from utterances, it can convert from many source speakers to many target speakers with a single autoencoder network. Moreover, it naturally deals with the unseen target speaker's scenarios. We perform both objective and subjective evaluations to show the competitive performance of our proposed method compared with other state-ofthe-art models in terms of naturalness and target speaker similarity.

No abstract

No abstract