中国经济社会零碳转型策略:增量式改进还是反推式变革

面对全球气候变化引致的生态危机,加快零碳转型进程势在必行。大力发展清洁能源产业,推动化石能源有序减退是零碳转型策略的核心本质,相关工作仍处于起步阶段。文本在论述零碳转型策略的基础上,研判中国经济社会可行的零碳转型策略。研究发现:首先,零碳转型路径在清洁能源供需体系构建的“源、网、荷、储”等方面呈现多元化特征,目标本质是推动清洁能源实现高效地供需匹配。其次,现阶段各界对中国经济社会零碳转型策略的主张,大体可分为基于现有能源供需体系的增量式改进和直接颠覆现有能源供需体系的反推式变革,两者各有利弊,面临的挑战也存在差异。再次,决策者应理性看待零碳转型过程,既不能仅基于传统能源供需体系“缝缝补补”,也不能急于求成,毕其功于一役地推动变革。鉴于当前相关探索仍处于起步阶段,确定转型的具体方向为时尚早,各地需因地制宜,结合多元转型路径发展竞争情况制定零碳转型策略,遵循由量变到质变的客观规律,经历由预期不稳定、多元化的探索向预期稳定、目标确定的变革演变。最后,从长远看,各界应将零碳转型策略纳入经济社会整体性变革中加以思考,以生态文明发展范式变革推进零碳转型,以零碳转型助力生态文明发展范式变革,力求为推动碳中和能源革命提供启示与参考。

面向锂电池少量循环的二维支持域直推式健康状态预测

锂离子电池的健康状态(SOH)是反映电池老化程度的关键指标,但由于电池老化的非线性和不确定性使得SOH难以精确估计,并且受到电池数据收集的高时间成本和容量再生现象的影响,传统的数据驱动方法在历史充放电循环数较少时效果较差.针对上述问题,本文创新性地提出了一种二维支持域直推式学习(2D-RoSTL)建模思路,建立了数据由粗到细的精准划分方法,用于少量充放电循环下的SOH预测.一方面,考虑同型号多块电池的批次特性,利用历史数据和批次数据构造二维支持域扩充模型信息来源,提供了粗范围的大量可供选择的样本;另一方面,首次尝试以直推式学习的方式解决SOH预测的任务,利用离线和在线样本特征空间的信息,对每个样本进行细致划分,提升少量充放电循环情况下模型的预测可靠性.基于NASA的公开数据集,所提出的二维支持域直推式建模方法在4个电池上的预测误差均小于1.56%,实现了对锂电池充放电历史初期及再生点的精确预测.

一种改进的渐进直推式支持向量机分类学习算法

基于支持向量机的直推式学习是统计学习理论中一个较新的研究领域。较之传统的归纳式学习方法而言,直推式学习往往更具有普遍性和实际意义。针对渐进直推式支持向量机学习算法存在的缺陷,提出了一种改进算法。该算法利用区域标注法取代前者的成对标注法,在继承了其渐进赋值和动态调整的规则的同时,提高了算法的速度;根据每个无标签样本的标注可信度自适应地对其赋予不同的影响因子,从而控制训练误差的传递和积累,提高了算法的性能。雷达实测数据实验结果表明该算法是有效的。

基于PLC的立推式加热炉控制系统

立推式加热炉在我国铝加工热轧生产过程中发挥着十分重要的作用,在我国现代科学技术持续发展的影响下,热连轧生产线持续投产,使得我国已经摆脱了高端设备持续依赖进口的局面。但随着行业规模的持续扩张,传统的立推式加热炉控制系统无法满足热轧机的生产需求,在生产规模不断扩张的背景下,其控制系统也需要不断进行调整。基于此,本文选择使用西门子PLC探讨了立推式加热炉控制系统的具体组成,为立推式加热炉控制系统调整和优化提供参考。

三种直推式双侧向套管内测井研究及辅助QC应用

近年来,工区内塔河、顺北等以超深层碳酸盐岩为主要目的层的油气田,存储式测井应用逐年增加。上、下测进套管双侧向仪器都在测井档工作,曲线较完整。以往文献资料主要论述了双侧向测井工艺、仪器故障等,对简单的套管内测井数值研究内容涉及较少,根据电缆测井规范和仪器原理,通过用双侧向的电压比电流来拟合名义电阻率,进行套管内电阻率测井数值研究,对井下仪器工作的稳定性和曲线质量做出一些辅助的评价。从工区内三种常见的直推式双侧向仪器特点入手,选取近两年来34口井测井资料,拟合并分析了三种直推式双侧向的套管测井值形态和数值特点,列举了三个名义电阻率测井应用实例,提出了辅助QC方面的建议。对同行有借鉴意义。

基于直推式方法的网络异常检测方法

网络异常检测技术是入侵检测领域研究的热点和难点内容,目前仍然存在着误报率较高、对建立检测模型的数据要求过高、在复杂的网络环境中由于"噪音"的影响而导致检测率不高等问题.基于改进的TCM-KNN(transductive confidence machines for K-nearest neighbors)置信度机器学习算法,提出了一种网络异常检测的新方法,能够在高置信度的情况下,使用训练的正常样本有效地对异常进行检测.通过大量基于著名的KDD Cup1999数据集的实验,表明其相对于传统的异常检测方法在保证较高检测率的前提下,有效地降低了误报率.另外,在训练集有少量"噪音"数据干扰的情况下,其仍能保证较高的检测性能;并且在采用"小样本"训练集以及为了避免"维灾难"而进行特征选取等优化处理后,其性能没有明显的削减.

基于支持向量机的渐进直推式分类学习算法

支持向量机(support vector machine)是近年来在统计学习理论的基础上发展起来的一种新的模式识别方法,在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势.直推式学习(transductive inference)试图根据已知样本对特定的未知样本建立一套进行识别的方法和准则.较之传统的归纳式学习方法而言,直推式学习往往更具普遍性和实际意义.提出了一种基于支持向量机的渐进直推式分类学习算法,在少量有标签样本和大量无标签样本所构成的混合样本训练集上取得了良好的学习效果.

反推式控制在永磁同步电动机速度跟踪控制中的应用

把新颖的非线性反推(Backstepping)控制策略应用于永磁同步电动机速度跟踪控制中,简化了一般系统设计过程,减少了系统控制中调整参数数目,同时保证系统具有良好速度跟踪性能。给出了系统稳定性证明,并通过Matlab仿真和一般PID控制对比,验证了系统设计的有效性和可行性。

一种快速的渐进直推式支持向量机分类学习算法

针对渐进直推式支持向量机学习算法存在每次标注的无标签样本数太少,当样本较多时,频繁的成对标注和重复训练使得该算法复杂及增加的缺陷,提出了一种快速算法。该算法在训练过程中利用区域标注法取代PTSUML的成对标注法,在继承了其渐进赋值和动态调整的规则的同时,提高了算法的速度。雷达实测数据实验结果表明该算法是有效的。

一种针对弱标记的直推式多标记分类方法

多标记学习主要解决一个样本可以同时属于多个类别的问题,它广泛适用于图像场景分类、文本分类等任务.在传统的多标记学习中,分类器往往需要利用大量具有完整标记的训练样本才能获得较好的分类性能,然而,在很多现实应用中又往往只能获得少量标记不完整的训练样本.为了更好地利用这些弱标记训练样本,提出一种针对弱标记的直推式多标记分类方法,它可以通过标记误差加权来补全样本标记,同时也能更好地利用弱标记样本提高分类性能.实验结果表明,该方法在弱标记情况下的图像场景分类任务上具有较好的性能提高.

逆推式高职教育实训体系中校内外实训基地建设探究

校内外实训基地建设是推行逆推式高职教育实训体系的一个重要前提和组成部分,实训基地建设必须把握好实用性、共享性、前瞻性、效益性等原则,并要切合专业培养目标,形成相应的职业岗位技能和职业素养训练的氛围,形成科学的、合理的管理运行机制,确保其良性运行及功能的发挥,从而实现培养"零距离"上岗的高等技术应用性专门人才的目标。

基于相对邻域熵的直推式网络异常检测算法

为提高网络异常检测中数据对象异常程度的度量精度,降低复杂网络环境中噪声数据对于算法检测准确率的影响,将基于邻域关系定义的相对邻域熵引入到直推信度机的算法框架中,提出一种在相对领域熵基础上的直推式网络异常检测算法TCM-RNE。该算法利用相对邻域信息熵作为度量数据对象异常程度的工具,重新定义离群度,有效提高算法检测性能和抗噪性能。在KDD Cup数据集上的实验结果表明,与TCM-KNN算法相比,该算法在保证相同检测准确率的同时,降低了误测率,且在噪声干扰环境下具有更优的抗噪性能。

一种异构直推式迁移学习算法

目标领域已有类别标注的数据较少时会影响学习性能,而与之相关的其他源领域中存在一些已标注数据.迁移学习针对这一情况,提出将与目标领域不同但相关的源领域上学习到的知识应用到目标领域.在实际应用中,例如文本-图像、跨语言迁移学习等,源领域和目标领域的特征空间是不相同的,这就是异构迁移学习.关注的重点是利用源领域中已标注的数据来提高目标领域中未标注数据的学习性能,这种情况是异构直推式迁移学习.因为源领域和目标领域的特征空间不同,异构迁移学习的一个关键问题是学习从源领域到目标领域的映射函数.提出采用无监督匹配源领域和目标领域的特征空间的方法来学习映射函数.学到的映射函数可以把源领域中的数据在目标领域中重新表示.这样,重表示之后的已标注源领域数据可以被迁移到目标领域中.因此,可以采用标准的机器学习方法(例如支持向量机方法)来训练分类器,以对目标领域中未标注的数据进行类别预测.给出一个概率解释以说明其对数据中的一些噪声是具有鲁棒性的.同时还推导了一个样本复杂度的边界,也就是寻找映射函数时需要的样本数.在4个实际的数据库上的实验结果,展示了该方法的有效性.

协同标注的直推式支持向量机算法

在直推式支持向量机中,迭代过程中样本标注错误会导致错误传递,影响下一次迭代中样本标注准确度,使得错误不断的被积累,造成最终分类超平面的偏移,另外在传统单个分类器下,提高样本标注准确度与提高算法训练速度之间是矛盾的,无法得到兼顾.针对此,本文把投票机制和协同思想引入到直推式支持向量机中,提出一种协同标注的直推式支持向量机算法,利用多个分类器的投票结果对样本进行标注,提高样本标注的准确度,利用多个分类器进行协同训练提高算法的训练速度.最后实验结果表明,所提出算法能够利用投票机制和协同思想提高最终分类器的分类精度和算法的训练速度.

基于张量表示的直推式多模态视频语义概念检测

提出了一种基于高阶张量表示的视频语义分析与理解框架.在此框架中,视频镜头首先被表示成由视频中所包含的文本、视觉和听觉等多模态数据构成的三阶张量;其次,基于此三阶张量表达及视频的时序关联共生特性设计了一种子空间嵌入降维方法,称为张量镜头;由于直推式学习从已知样本出发能对特定的未知样本进行学习和识别.最后在这个框架中提出了一种基于张量镜头的直推式支持张量机算法,它不仅保持了张量镜头所在的流形空间的本征结构,而且能够将训练集合外数据直接映射到流形子空间,同时充分利用未标记样本改善分类器的学习性能.实验结果表明,该方法能够有效地进行视频镜头的语义概念检测.

一种基于潜在语义分析和直推式谱图算法的文本分类方法LSASGT

本文针对训练数据较少以及在基于图的分类算法中的文本表示问题,提出了一种基于潜在语义分析技术和直推式谱图算法的文本分类方法LSASGT,该方法将潜在语义分析技术和直推式谱图算法这两种基于谱分析理论的技术有机地结合在一起,对所有训练数据和测试数据进行统一建模,挖掘数据中潜在的多种结构信息.LSASGT引入潜在语义分析技术用于构造文本图表示模型,在能够反映人的分类标准的潜在语义特征空间中,描述文本之间的语义相关性;基于这样的文本表示,利用半监督的直推式谱图算法进行文本分类.在基准英文文本分类数据集Reuters21578和中文文本分类数据集Tan-Corp上的实验结果表明,本文给出的LSASGT文本分类方法获得了较好的分类结果.

基于k均值聚类的直推式支持向量机学习算法

针对直推式支持向量机(TSVM)学习模型求解难度大的问题,提出了一种基于k均值聚类的直推式支持向量机学习算法——TSVMKMC。该算法利用k均值聚类算法,将无标签样本分为若干簇,对每一簇样本赋予相同的类别标签,将无标签样本和有标签样本合并进行直推式学习。由于TSVMKMC算法有效地降低了状态空间的规模,因此运行速度较传统算法有了很大的提高。实验结果表明,TSVMSC算法能够以较快的速度达到较高的分类准确率。

中频感应加热顶推式热扩管工艺分析

简述3种热扩管工艺的特点、优势;分析中频感应加热顶推式热扩管工艺参数对扩管变形的影响,并指出扩管时应注意的问题。分析认为:中频感应加热顶推式热扩管工艺虽然对整支管坯非同时进行整体加热,但与整体加热扩管工艺相比,加热方式对扩管变形没有明显影响;应加强管坯质量和变形区管坯温度的控制,选择合理变形参数,扩制后进行整体热处理,并加强成品钢管的质量检验。

基于直推式支持向量机的协商决策模型

为了解决在电子商务活动中由于信息的保密性协商参与者无法获得对手效用函数,进而影响双方协商性能的问题,提出一种基于直推式支持向量机(TSVM)算法的双边多议题协商决策模型.该模型利用协商历史中隐含的信息,分析协商过程中产生的建议是否落在对手效用可接受区间内,构造有标记和无标记的训练样本,并通过直推式支持向量机来学习这些训练样本,得到协商对手效用函数的估计,然后与己方效用函数相结合构成一个约束优化问题,利用粒子群算法求解此优化问题得到己方的最优反建议.实验结果表明:此模型在信息保密和缺乏先验知识的情况下,能够兼顾对手效用做出协商决策,增加了双方的协商成功率和联合效用值,并能够有效减少协商时间.

基于直推式支持向量机的图像分类算法

直推式支持向量机(TSVM)是在利用有标签样本的同时,考虑无标签样本对分类器的影响,并且结合支持向量机算法,实现一种高效的分类算法。它在包含少量有标签样本的训练集和大量无标签样本的测试集上,具有良好的效果。但是它有算法时间复杂度比较高,需要预先设置正负例比例等不足。通过对原有算法的改进,新算法在时间复杂度上明显下降,同时算法效果没有明显的影响。