多任务LS-SVM在时间序列预测中的应用

针对单任务时间序列中存在的信息挖掘不充分、预测精度低等问题,提出了一种基于多任务最小二乘支持向量机(MTLS-SVM)的时间序列预测方法。该方法将多个时间序列任务同时进行学习,使得在训练过程中任务之间能够相互牵制起到归纳偏置作用,最终有效提高模型的预测精度。首先,利用相邻时间点之间的密切相关性,构造多个相邻时间点的学习任务,然后将每个任务对应的数据集同时训练MTLS-SVM模型并将其用于预测。将该方法用于几个时间序列数据集并与单任务LS-SVM方法相比,实验结果表明该方法具有较高的预测精度,验证了方法的可行性和有效性。

基于改进即时学习算法的球磨机料位软测量

针对传统球磨机料位软测量模型难以适应生产过程中的时变特性,以及磨机信号中存在的非线性和不确定性等问题,将磨机筒体的振动和振声频谱作为辅助变量,提出基于改进即时学习算法的料位软测量模型。采用梅尔频率倒谱系数提取所有样本的特征参数;以当前样本作为查询样本,采用云模型理论计算其与历史样本的相似度并得到最近邻样本;利用得到的最近邻样本建立局部最小二乘支持向量机模型并预测当前料位。实验结果表明,该软测量模型可以有效地实时测量球磨机料位并能获得较高的预测精度。

ZigBee在分布式光伏电站监控系统中的应用研究

针对分布式光伏电站具有结构复杂的特点,传统的分布式光伏电站监控系统无法实现分布式光伏电站监控的有效性和准确性,为了解决这一问题,提出了ZigBee在分布式光伏电站监控系统中的应用研究。基于分布式光伏电站监控系统的整体架构,通过分布式光伏电站监控模块设计和分布式光伏电站监控系统感应模块设计,完成了系统的硬件设计,通过处理分布式光伏电站监控数据和设计分布式光伏电站监控流程,完成了系统的软件设计,实现了ZigBee技术在分布式光伏电站监控中的应用。测试结果表明,基于ZigBee技术的分布式光伏电站监控系统不仅可以提高分布式光伏电站监控系统的有效性,还可以提高分布式光伏电站监控系统的准确性。