基于平均绝对误差的海上风电经柔直送出系统交流海缆纵联保护

海上风电经柔直送出系统交流海缆线路两侧故障电流均受控,故障特征与传统同步电源有着明显差别,差动保护存在不正确动作风险。针对该问题文中介绍了一种基于平均绝对误差的海上风电经柔直送出系统交流海缆纵联保护。所提保护根据一定时间窗内一侧电流采样值与负的另一侧电流采样值之间计算得到的平均绝对误差值在区内外故障时的差异构成保护判据,并对所提保护的性能进行了分析。利用PSCAD软件仿真验证了所提保护在各种工况下的有效性。仿真结果表明:所提保护在区内外故障时能够正确动作,且在高阻故障时有着良好的性能,面对风机不出力的极端情况下也能正常工作并具备选相功能,性能比差动保护更优越,更适用于海上风电经柔直送出系统交流海缆线路。

混沌系统模型误差平均绝对误差增长过程研究

混沌系统的平均绝对误差增长最初是用来刻画初始值误差增长的,本文依照平均绝对误差增长的定义来研究模型误差的增长过程,获得了一些很有意义的结论.研究发现,在初期模型误差的平均绝对误差增长呈指数级增长,增长指数同模型的扰动相关,与真实系统最大Lyapunov指数没有直接关系.其后模型误差进入非线性增长过程,误差增长放缓,最终达到饱和.误差饱和值恒定,当真实系统和模型系统吸引子差别较小时,模型误差饱和值基本上同真实系统的初始值误差饱和值相等.利用上述研究结论可以求出模型的可预报期限,这在数值天气预报中具有重要的意义.进而利用模型的可预报期限可以对同一真实系统的不同模型进行评价,相对真实系统越精确的模型拥有更高的可预报期限.这对新模型的开发具有很强的指导作用.

对平均误差定义的一点看法

对平均误差定义的一点看法刘俊刁（物理系）教材［１］１８页在叙述利用平均误差来估计多次等精度测量的随机误差中认为；“平均绝对误差定义为各测量值残差的绝对值的平均值即面（１）在普通物理实验中，上式定义的测量列的平均绝对误差，可粗略地看成算术平均值的最大误...

健听成年人全方向水平声源定位能力初步研究

目的利用360°全方向24和36声源测试设备,初步探讨健听中青年和健听老年前期-老年人水平声源定位特点。方法选取2021年4月至2021年9月中国人民解放军总医院耳鼻喉科收治的43例健听成年受试者为研究对象,其中男性22例,女性21例;根据年龄分为中青年组(21~49岁)20例和老年前期-老年组(50~72岁)23例。两组分别给予纯音听阈测试、全方向24声源(间隔15°)和36声源(间隔10°)水平声源定位(sound localization,SL)能力评估。给声强度60 dB HL,给声刺激为1 kHz啭音,通过计算均方根误差(root mean square,RMS)、平均绝对误差(mean absolutely error,MAE)等评估受试者的声源定位能力。结果24声源老年前期-老年组MAE、RMS均值高于中青年组的MAE、RMS均值,差异有统计学意义(P<0.05);36声源老年前期-老年组MAE、RMS高于中青年组的MAE、RMS,差异无统计学意义(P>0.05)。24声源和36声源前场MAE和RMS均高于后场的MAE和RMS,前后场的MAE和RMS比较,差异有统计学意义(P<0.01);左右场的MAE、RMS比较,差异无统计学意义(P>0.05)。24声源前后混淆比例为7.73%,36声源前后混淆比例为15.42%;24声源和36声源均为正前方的声源定位准确度最差;老年前期-老年组前后混淆的比例高于中青年组,差异无统计学意义(P>0.05)。结论健听老年前期-老年人全方向24声源和36声源水平定位能力,相比健听中青年组有所下降。左右场的定位准确度高,前后场的定位准确度低,正前方定位准确度最低。全方向水平声源定位能力的测试结果与扬声器数量有关,且反应趋势具有一致性。

气象要素空间化方法精度的比较研究——以平均气温为例

以国家气象局1971年～2000年30年整编资料中的东北、华中地区1978年、1984年、1990年、1996年4年的1月份、7月份及年平均气温数据为数据源,采用直接插值法(反距离权重法和普通克里格法)、趋势面模拟+残差内插法、空间化气候值+年际距平空间插值方法、空间化气候值+年际距平趋势面模拟+残差内插等4种方法,进行了空间化精度的比较研究.通过平均绝对误差(MAE)、平均相对误差(MRE)以及交叉验证等几种评估标准的比较,认定在具有30年月平均气温栅格数据库作为背景的前提下,采用空间化气候值+年际距平值IDW内插的方法在东北、华中两个地区空间化的误差相对较小,并且其操作方便,是一种对平均气温这一要素的短时间序列空间化而言既方便,插值效果又相对较好的空间化方法.

基于3D几何特征深度表达学习的物理系统仿真

针对现有深度学习方法在物理系统仿真中无法处理几何边界与初始条件同时变化的场景的问题,提出将几何边界约束的表达与物理系统仿真解耦的技术思路,设计了几何特征表达学习和物理系统仿真双步骤的技术路线。在构建与外部物理条件无关的几何特征提取模块之后,融合提取的几何特征与物理特征,最后设计基于神经网络的物理系统仿真方法。在应力场预测实验中,所提方法的预测时间为2.63 ms,远低于有限元法(FEM)的0.6 s,且平均绝对误差(MAE)仅为MeshNet的0.389倍。实验结果表明,所提方法能够保持较高仿真精度,同时能够较好地适应不同的几何边界与初始条件。

惯性传感器与测力跑台同步方法滑动时间窗口比对法

目的可穿戴惯性传感器(wearable inertial sensor,IMU)便携且测量精度较高,广泛应用于生物力学数据采集。本研究使用滑动时间窗口比对法对不同数据进行处理分析,以解决IMU与其他实验设备的同步问题。方法15名大学生左腿胫骨下缘粘贴1块IMU,在专用测力跑台跑步。测力软件和IMU软件根据同一指令点击开始,记录12、14和16 km/h速度跑步时小腿三维加速度数据和v GRF值,每个速度采集1 min数据。以IMU冠状面角速度极大峰值前第1个极小值和v GRF数据曲线中v GRF≤50 N时刻为左脚离地时刻,计算各步周期。设定v GRF的连续步态的周期数据集为基准时间窗口,IMU的连续步态周期为比对时间窗口。以3步为对比窗口,逐步移动时间窗口,计算基准时间窗口与比对时间窗口群中各个对比窗口的误差,找到误差最小值(若无最小值则以4步为对比窗口),以此找到IMU与测力台步态数据的同步点。结果各个速度下,受试者同步数据中复步时间的平均绝对误差为0.003~0.027 s。平均相对误差为0.4%~4.1%。且Bland-Altman一致性结果显示,复步时间的平均误差均接近于0(-0.002~0.002 s),最大误差(-0.055~0.055 s)均在95%置信区间内。结论滑动时间窗口比对法可有效实现IMU与测力跑台之间的数据同步,也为解决可穿戴传感器与其他测量系统之间的同步问题提供了新途径。

二尖瓣成形环的近生理疲劳加载模式研究

目的二尖瓣成形环通过收缩病变的人体瓣环减少或消除返流。新型的成形环通常设计为柔性结构从而保留心脏运动过程中二尖瓣环的生理运动功能,然而柔性的增加会降低器械的疲劳强度。为评价其抗疲劳性能,本文提出了成形环的近生理体外疲劳强度测试新方法,使体外疲劳试验可以更接近体内的载荷环境。方法在现有测试加载模式(C1、D1)的基础上,本文提出一种新的体外加载模式(C2、D2)。采用数值仿真方法分别对开口成形环(C1、C2)和闭口成形环(D1、D2)在体内载荷环境下和体外疲劳试验条件下的应力分布进行计算,使用平均绝对误差(X)和相关系数(Φ)来定量评估两种加载模式与体内载荷下应力分布的相似程度。结果对于闭口成形环,新加载模式(D2)在模拟体内应力分布方面并不明显优于传统试验方法(D1)(ΦD1=0.88 vsΦD2=0.92),但新加载模式中的最大应力值更接近体内载荷下的最大应力值(XD1=5.2 MPa vs XD2=4.4 MPa);对于开口成形环,新加载模式(C2)在模拟体内应力分布和应力峰值方面具有明显优势(ΦC1=0.22 vsΦC2=0.98;XC1=59.1 MPa vs XC2=11.0 MPa)。结论本文提出的加载模式更能模拟体内力学环境,同时操作简单,效率高,为提升产品开发和监管效率提供测试方法。

基于深度学习和4D Flow MRI的血流压力测量方法

目的目前利用人工智能方法对患者进行血流压力测量的研究大多只能计算某一固定边界条件下稳态流场血流压力参数,从而无法计算瞬态流场,也无法考虑不同患者不同边界条件对血液流场造成的影响。本研究提出一种基于深度神经网络和4D Flow MRI的方法实现患者血流压力的测量,能够根据不同患者不同边界条件计算患者特异性血流压力。方法利用4D Flow MRI获得患者血流速度数据,根据待测量点及其邻域内速度梯度数据,利用深度神经网络获取邻域内速度梯度、黏性项与压力梯度的特征关系,从而实现待测点血流压力的计算。结果通过与计算流体力学结果相比较,利用归一化平均绝对误差NMAE评估本研究所提出的方法,准确率达到了96.28%以上。结论本研究提出了一种新的预测患者血流压力的机器学习方法,相比于先前研究,本研究所提出方法可以将不同患者不同时刻的流场边界条件作为输入特征,为之后机器学习预测血流压力的研究提供新的思路。

CT图像层间插值方法的深入分析验证

目的:通过CT图像层间插值的方法提高图像质量,从而保证放疗中患者摆位验证的精度。方法:采用基于深度卷积神经网络(DCNN)算法,利用图像层间的关联信息重建中间层图像。应用卷积层、膨胀卷积层、池化层和上采样层交织的端到端的神经网络对CT图像进行处理。由于头颈部和胸腹盆部的结构差异,分别采用70例头颈部和75例胸腹盆部患者的图像数据进行训练,建立不同的头颈部和胸腹盆部模型。采用留一交叉验证的方法验证模型,将DCNN与线性插值和生成对抗网络(GAN)的性能进行比较。结果:头颈部患者中,DCNN的平均绝对误差(MAE)为36 HU,优于线性插值和GAN的62 HU和50 HU。除此之外,骨骼的Dice相似系数(DSC)为0.95,超过线性插值和GAN的0.88和0.91;胸腹盆部位患者中,DCNN的MAE为29 HU,优于线性插值和GAN的47 HU和34 HU。除此之外,骨骼的DSC为0.94,同样超过线性插值和GAN的0.87和0.91。结论:与线性插值和GAN相比,DCNN算法在重建薄层CT图像方面具有更高的精度;其显著减少了插值伪影、图像失真和锯齿效应,从而提高了放疗患者摆位验证的精度。

基于多任务神经网络的水下震源定位方法研究

针对传统水下被动定位算法传感器阵列体积大、布设难、环境失配等问题,提出一种基于多任务神经网络的水下震源定位方法。该方法通过仿真浅海声场数据集,利用声信号到达各个测量传感器的相对时间差,结合深度学习方法,在多任务卷积神经网络MTL-CNN(Multi-task Convolutional Neural Network)和Attention-UNet结构基础上,设计MTL-Attention-UNet神经网络模型,对水下震源的距离和深度进行联合估计。仿真结果表明:用MTL-Attention-UNet模型对水下震源进行定位的平均绝对误差比MTL-CNN网络模型小,定位性能更好。

基于混合神经网络模型的卷烟投放预测方法

为科学制定卷烟产品的投放策略,提出1种基于混合神经网络模型的卷烟投放预测方法.通过结合Boosting-GRU多元预测模型、产品销售量至投放值计算以及GRU多分类模型3种方法来实现卷烟产品不同档位的投放策略的生成.以湖北省十堰市的卷烟产品历史销售数据为实验对象,对所提的方法进行验证.实验结果表明,该方法的产品销售量预测平均准确率达到了97.64%,投放策略生成的平均绝对误差均低于20%.

基于深度流形学习的人脸年龄识别

现有的人脸年龄识别方法大多利用深度学习框架提取人脸特征来识别年龄,但深度学习方法提取的高维人脸特征往往包含大量的冗余信息,不利于人脸年龄的识别。为了提高人脸年龄识别算法的精度和鲁棒性,提出了一种基于深度流形学习(Deep Manifold Learning, DML)的算法,采用深度学习提取人脸特征,通过流形学习选择具有判别性的人脸特征,将深度学习提取的高维人脸特征嵌入到低维的判别子空间上识别年龄。在公开的人脸数据库MORPH和FG-NET上对DML算法进行了实验,结果表明DML方案平均绝对误差(Mean Absolute Error, MAE)大幅度降低,不同误差值下识别累积评分(Cumulative Score, CS)明显提高,显著优于当前流行的人脸年龄识别方法。

公路货运量影响因素分析及趋势预测模型研究

为了提高公路货运量预测的准确性,本文选取经济、基础设施、人口等影响因素,运用皮尔逊相关系数对影响因素与公路货运量之间的相关性进行分析,构建预测模型,并采用平均绝对误差法对模型精度进行验证。结果表明:经济因素中的建筑业增加值对公路货运量的影响最大,皮尔逊相关系数为0.964,具有极显著性;其次是基础设施因素中的高速等级公路里程和人口因素中年末常住人口与公路货运量的相关性最高,相关系数分别为0.925,0.908,呈极显著性和显著性。研究发现,经济因素中以第二产业增加值为影响因素的预测模型平均绝对误差最低,为2602.466513;其次是基础设施因素中以公路里程为预测模型和人口因素中以常住人口为因子的预测模型误差最低,分别为5268.431313、11091.81933。

基于残差网络的人脸图像年龄识别研究

针对目前基于深度学习的人脸年龄识别训练集数据量小、识别精度不高的问题,提出了一种基于残差网络的迁移学习人脸年龄识别方法。将在ImageNet数据集上训练的残差网络ResNet模型迁移到人脸年龄识别任务中进行了分析、处理。所提方法在人脸数据集MORPH和FG-NET上的实验结果表明,残差网络与迁移学习结合能够有效提高年龄识别的准确性。

基于评分矩阵与评论文本融合的混合推荐模型

推荐系统已在电子商务中迅速推广应用,其带来的数据稀疏性增加了评分预测的不准确因素。提出了一种将评分和评论文本相融合的混合推荐模型(MRB),将用户偏好影响因子引入用户评分预测模型(UBP)中,将项目-时间因子引入项目评分预测模型(IBP)中,通过推荐结果平均绝对误差(MAE)实验验证,当近邻数为50时,该模型明显优于传统的模型。

基于ANN架构的新能源发电预测模型的研究

以风能和太阳能为代表的新能源具有随机性、间歇性和波动性,对新能源发电功率进行预测是有效解决以上问题的途径。为解决可再生能源(Renewable Energies,REs)在电力网络中不断整合对电力供应系统去中心化带来的问题,提出了一种基于神经计算的预测模型。首先,获取不同的数据集,并介绍了数据使用方法;其次,对不同的人工神经网络(Artificial Neural Network, ANN)架构进行了深入研究,同时探讨了不同的输入特征,以及对预测结果不确定性的评估方法;最后,通过模拟实验表明在光伏发电方面,本模型的预测相对平均绝对误差(Relative Mean Absolute Error,RMAE)可以在夏季达到2.5%,在冬季达到0.5%。而在整个年度内,通过使用输入类别特征的减小均值,光伏和风力发电的RMAE分别可以达到1.7%和4.9%。这一方法的实施为地区可再生能源的集成提供了有力支持,同时也为应对可再生能源的波动性和不可控性提供了新的解决思路。

基于Conv1d-LSTM模型的能源分配预测

能源分配问题往往与其所在区域环境有关,能源分配的预测可以通过当地环境因素数据来推测之后对该区域的能源分配数值,最大程度上分配好能源.LSTM网络预测短期效果良好,但预测较长时期的数据会导致误差积累,速度慢且准确性差;Informer是近期新提出的能源预测算法模型,速度快但在该任务上预测能力不够.本文提出Conv1d-LSTM模型,预测结果优于上述两个模型,具有更低的平均绝对误差和均方根误差.

三种插值方法对区域自动气象站日气温缺测数据插补的适用性研究

为解决气温观测记录缺测的问题,选择反距离权重插值(Inverse Distance Weighted,IDW)、普通克里金插值(Ordinary Kriging,OK)和多元线性回归(Multiple Linear Regression,MLR)三种方法,以湖北省2020年为例,对全省逐日平均气温(T)、最高气温(Tmax)和最低气温(Tmin)进行空间插补,并采用平均绝对误差(Mean Absolute Error,MAE)对3种方法的插补结果进行检验。结果表明:用MLR插补得到的Tmax、Tmin、T的MAE最小,分别为0.41℃、0.31℃和0.20℃,其中T的插补误差在1℃以内的站点比例高达100%;相比IDW和OK,MLR插补结果的MAE空间分布均匀,其不仅随海拔高度变化较小,随季节变化也相对较小。单站试验结果表明,当用于MLR模型的样本数量越多、时间离散度越大时,MLR对气温的插补效果越好。总体上,对日气温缺测数据的插补效果,MLR最优,IDW次之,OK最差;对于建立气象站点长时间连续气温数据集而言,MLR更适合解决区域自动气象站日气温数据缺测问题。

基于标记分布学习的人脸年龄识别算法

针对人脸年龄识别可用数据集普遍不足的问题,为提升可用数据集不变情况下人脸年龄识别的精度,在深度学习(DL)框架中引入标记分布学习(LDL)策略,命名为DL-LDL,其中卷积神经网络用于自动提取人脸特征,改进的标记分布学习用于学习真实年龄及相邻年龄之间的模糊性和多义性,以丰富年龄信息,提高识别精度.将DL-LDL方法在MORPH和FG-NET这2个公开数据集上进行了试验测试.结果表明:DL-LDL方法提高了年龄识别的精度,与现有最先进的人脸年龄识别方法相比,在MORPH和FG-NET上的平均绝对误差分别降低了8.2%和13.8%.