基于BIC-KMeans和SWMM的城市雨洪快速模拟方法

针对城市雨洪模型率定过程过于烦琐复杂的问题,耦合贝叶斯信息准则(BIC)和K均值聚类机器学习算法(KMeans)构建了BIC-KMeans算法。根据样本参数在不同城市功能区的分布规律,结合暴雨洪水管理模型(SWMM)提出了城市雨洪快速模拟方法。分别在郑州大学主校区、郑州市金水区南部、郑州市中心城区3个集水区选取了6、3、4场历史观测洪水事件进行了验证。结果表明:提出的城市雨洪快速模拟方法适用性较好;洼蓄量、地表曼宁系数、入渗率和衰减系数等不确定性参数在不同城市功能区的取值由小到大依次为工商业区、居民区、公共用地区;3个集水区雨洪模拟洪水流量相对误差均小于12%、纳什效率系数均大于0.75、决定系数均大于0.80,各项指标均优于传统调参法;SWMM模拟精度会随着集水区空间尺度增大而变小,峰现时间误差在较小尺度集水区雨洪模拟中是分钟级,在较大尺度为小时级。

BIC评分贝叶斯网络模型及其应用

针对入侵检测系统漏报率、误报率高的缺点,以贝叶斯信息标准(BIC)评分函数为尺度,结合爬山搜索算法,降低朴素贝叶斯网络模型的强独立性假设,提出更符合实际情形的BIC评分贝叶斯网络模型。对模型进行验证和性能分析,实验结果表明,基于BIC评分函数的贝叶斯网络模型对行为特征渐变的DoS攻击和刺探攻击具有较高识别率。

基于Box-Cox变换的风电场短期风速预测模型

风电场准确的风速预测可以减轻或避免风电对电网的不利影响,有利于在开放的电力市场环境下正确制定电能交换计划,提高风电竞争力。基于风速序列的时序性,使用极大似然法对风速序列进行了Box-Cox最优变换,建立了ARMA(p,q)风速预测模型。为检验时间序列模型的有效性,利用最小信息准则中的BIC(Bayesian Information Criterion)函数对ARMA(p,q)模型进行识别,并通过风速频率曲线对预测结果进行了修正。仿真结果和算例验证了该方法在风电场风速预测中的适用性,具有一定的实用价值。

一种基于结构分解和因子分析的贝叶斯网络隐变量发现算法

隐变量是观察不到或虚拟的变量,直接利用数据驱动的学习方法难以有效地发现隐变量,因而需要结合概率图结构分析的方法。针对基于结构分析的隐变量发现方法中难以确定隐变量个数和位置的问题,提出一种基于结构分解和因子分析的隐变量发现算法(S-FAHF)。S-FAHF算法利用联合树算法生成具较强依赖关系的变量子集,利用因子分析思想,通过求变量子集的特征值和累积贡献率确定变量子集中隐变量的个数,利用负荷矩阵确定隐变量的位置,最后利用打分函数测试所发现的隐变量的有效性。通过算法比较和实验结果表明,该方法能准确地确定贝叶斯网络中隐变量的个数及位置。

非线性常微分方程边值问题的三次样条解

对一类线性(非线性)常微分方程边值问题,以Legendre-Gauss-Lobatto节点为配置点,利用含参数的三次样条函数求其数值解。根据方程不同类型的边界条件,构造其算法格式,选取适当的参数值,以提高数值误差的精度。本算法格式构造简单,数值结果验证了算法的有效性和高精度。

平稳动态系统DBN结构学习模型设计

针对动态数据挖掘问题,提出了一种平稳系统连续变量动态贝叶斯网络(Dynamic Bayesian Networks,DBN)结构学习模型,用于智能体的自主优化;首先给出了平稳系统连续变量结构学习的基本思路及假设条件,讨论了平稳系统连续变量DBN结构学习的模型设计问题;其次,在诸多随机过程系统文献的基础上,提出了系统的BIC评分函数,在有限时间T内的情况给出三个定义,并设计了学习的基本框架;最后,设计了平稳系统连续变量的实验模型并进行了仿真,结果表明,该模型能正确地学习出所设计的DBN结构。

基于样条函数的时空加权回归模型变量选择

为了提高时空加权回归模型的预测精度,增强时空加权回归模型的可解释性,选择对因变量具有显著影响的重要变量已成为当今统计分析中一个重要研究课题。首先对时空加权回归模型的系数使用样条函数作出逼近,其次在最小二乘的理论基础上,根据SCAD惩罚理论对时空加权回归模型各变量所对应的系数进行处理,并利用BIC准则来选择调谐参数λ,最终通过迭代算法来选择出对时空加权回归模型有用的变量,剔除掉影响模型准确性的变量,达到精简模型、提高预测精度的目的。