A unified bidirectional associative memory model (UBAM) isproposed- Its two special cases, UHOBAM and UEBAM, are the modifica-tions of intraconnected BAM (IBAM) and higher-order BAM (HOBAM),exponential BAM (EBAM) and ...A unified bidirectional associative memory model (UBAM) isproposed- Its two special cases, UHOBAM and UEBAM, are the modifica-tions of intraconnected BAM (IBAM) and higher-order BAM (HOBAM),exponential BAM (EBAM) and modified exponential BAM (MEBAM) , re-展开更多
A new bidirectional associative memory model named as HOMIBAM is introduced. The relationships of HOMIBAM with the models existed are pointed out. Both theoretical analysis and simulations show that the capacity and r...A new bidirectional associative memory model named as HOMIBAM is introduced. The relationships of HOMIBAM with the models existed are pointed out. Both theoretical analysis and simulations show that the capacity and recall performance of HOMIBAM are superior to that of modified intraconnected BAM (MIBAM), higher-order BAM (HOBAM ) greatly.展开更多
为了解决超光谱图像海量数据无损压缩计算复杂度高、实时性差的问题,将预测树模型和双向多波段谱间预测算法用于超光谱无损压缩研究。在对超光谱图像进行基于预测树模型的谱内预测的基础上,通过双向谱间多波段预测,利用谱间局部统计冗...为了解决超光谱图像海量数据无损压缩计算复杂度高、实时性差的问题,将预测树模型和双向多波段谱间预测算法用于超光谱无损压缩研究。在对超光谱图像进行基于预测树模型的谱内预测的基础上,通过双向谱间多波段预测,利用谱间局部统计冗余和结构冗余,建立了对预测树模型误差进行自适应补偿的预测器模型,设计了一种基于"权重"的方法。该方法利用已编码像素对系数进行自适应估计。采用SPIHT(Set Partitioning in Hierarchical Trees)算法对去冗余后的残差图像进行编码。试验结果表明,该算法在较低的计算复杂度下,压缩比优于目前流行的无损压缩算法。展开更多
短期电力负荷预测有助于维持发电端和用电端的动态平衡,保障电力系统稳定且高效地运行。分布式能源的大规模并网以及气象和节假日等短期因素的影响,使得负荷序列呈现明显的波动性和非线性。为此,该文提出基于花授粉算法(flower pollinat...短期电力负荷预测有助于维持发电端和用电端的动态平衡,保障电力系统稳定且高效地运行。分布式能源的大规模并网以及气象和节假日等短期因素的影响,使得负荷序列呈现明显的波动性和非线性。为此,该文提出基于花授粉算法(flower pollination algorithm,FPA)优化变分模态分解(variational mode decomposition,VMD)和双向长短时记忆(bidirectional long and short time memory,BiLSTM)神经网络的新型两阶段短期电力负荷预测方法。第一阶段首先提出了一种关于分解损失的VMD评价标准,并采用FPA来寻找该标准下分解参数的最优组合,从而降低了经验设置参数的随机性并且减少了分解过程中的信号损失,提高了分解质量;其次针对分解所得的每个子序列分别建立具备双向处理和长期记忆的BiLSTM神经网络,从而可以更好地挖掘负荷数据的过去和未来的深度时序特征。第二阶段综合考虑模态分量以及气象和星期类型等短期因素的影响,建立基于BiLSTM神经网络的误差纠正模型,用以挖掘误差中所包含的隐含信息,从而降低了模型的固有误差。将该文方法应用于美国南部某地区的负荷数据集,最终的平均绝对误差(mean absolute error,MAE)、平均绝对百分比误差(mean absolute percentage error,MAPE)和均方根误差(root mean square error,RMSE)以及R2分别为108.03、1.19%、146.48以及0.9812。随后在冀北电网某供电公司的实际应用中,再次证明了该方法在区域性短期电力负荷预测中的有效性。展开更多
文摘A unified bidirectional associative memory model (UBAM) isproposed- Its two special cases, UHOBAM and UEBAM, are the modifica-tions of intraconnected BAM (IBAM) and higher-order BAM (HOBAM),exponential BAM (EBAM) and modified exponential BAM (MEBAM) , re-
基金Supported by Climbing Progamme-National Key Project for Fundamental Research in China
文摘A new bidirectional associative memory model named as HOMIBAM is introduced. The relationships of HOMIBAM with the models existed are pointed out. Both theoretical analysis and simulations show that the capacity and recall performance of HOMIBAM are superior to that of modified intraconnected BAM (MIBAM), higher-order BAM (HOBAM ) greatly.
文摘为了解决超光谱图像海量数据无损压缩计算复杂度高、实时性差的问题,将预测树模型和双向多波段谱间预测算法用于超光谱无损压缩研究。在对超光谱图像进行基于预测树模型的谱内预测的基础上,通过双向谱间多波段预测,利用谱间局部统计冗余和结构冗余,建立了对预测树模型误差进行自适应补偿的预测器模型,设计了一种基于"权重"的方法。该方法利用已编码像素对系数进行自适应估计。采用SPIHT(Set Partitioning in Hierarchical Trees)算法对去冗余后的残差图像进行编码。试验结果表明,该算法在较低的计算复杂度下,压缩比优于目前流行的无损压缩算法。
文摘短期电力负荷预测有助于维持发电端和用电端的动态平衡,保障电力系统稳定且高效地运行。分布式能源的大规模并网以及气象和节假日等短期因素的影响,使得负荷序列呈现明显的波动性和非线性。为此,该文提出基于花授粉算法(flower pollination algorithm,FPA)优化变分模态分解(variational mode decomposition,VMD)和双向长短时记忆(bidirectional long and short time memory,BiLSTM)神经网络的新型两阶段短期电力负荷预测方法。第一阶段首先提出了一种关于分解损失的VMD评价标准,并采用FPA来寻找该标准下分解参数的最优组合,从而降低了经验设置参数的随机性并且减少了分解过程中的信号损失,提高了分解质量;其次针对分解所得的每个子序列分别建立具备双向处理和长期记忆的BiLSTM神经网络,从而可以更好地挖掘负荷数据的过去和未来的深度时序特征。第二阶段综合考虑模态分量以及气象和星期类型等短期因素的影响,建立基于BiLSTM神经网络的误差纠正模型,用以挖掘误差中所包含的隐含信息,从而降低了模型的固有误差。将该文方法应用于美国南部某地区的负荷数据集,最终的平均绝对误差(mean absolute error,MAE)、平均绝对百分比误差(mean absolute percentage error,MAPE)和均方根误差(root mean square error,RMSE)以及R2分别为108.03、1.19%、146.48以及0.9812。随后在冀北电网某供电公司的实际应用中,再次证明了该方法在区域性短期电力负荷预测中的有效性。