基于BIRCH聚类的L-Transformer分布式光伏短期发电功率预测

精准的分布式光伏短期发电功率预测有助于电力系统运行与功率就地平衡。该文提出一种基于BIRCH(balanced iterative reducing and clustering using hierarchies)相似日聚类的L-Transformer(LSTM-Transformer)模型进行短期光伏功率预测。首先使用BIRCH无监督聚类算法对历史数据聚类得到3种典型天气,根据聚类结果划分测试集对模型进行训练。为提高不同天气类型下的预测精度,采用双层架构的L-Transformer模型,首层通过长短期记忆网络(long short term memory,LSTM)的门控单元机制捕捉时间序列中的长期依赖关系;次层结合Transformer模型的自注意力机制聚焦于当前任务更关键的特征量,通过多注意力头与光伏数据特征量相结合生成向量,注意力头并行计算,从而高效、精确地预测短期光伏功率。实测数据验证结果表明L-Transformer模型对于不同天气类型功率预测泛化性优异、精确度高,气象数据波动大时鲁棒性强。

基于BIRCH聚类的航空器自主运行风险状态评价

为解决自主运行模式下航空器风险评价指标缺失和风险状态实时评估困难等问题,提出1种自主运行模式下航空器风险状态评价方法。从航空器冲突、气象规避区侵入、操纵裕度3个方面建立风险状态评价指标体系,运用BIRCH算法建立聚类特征树对多维航空器特征样本进行风险模型训练,引入增量式聚类的概念,更新特征树,实时评估动态目标航空器的风险状态。然后,以广州05扇区为运行场景展开仿真实验。研究结果表明:所提方法准确度达99.5%,平均计算时间约为0.0249 s。研究结果可有效支撑自主运行理念实施,提高风险预警能力,保障航空器自主运行安全。

BIRCH数据聚类算法优化研究及仿真分析

近年来在数据分析中最广泛研究的问题之一就是在多维数据集中识别聚类或密集区域。为了解决大型数据集和最小化I/O成本的问题。由此提出一种基于层次结构的数据聚类方法——平衡迭代和聚类方法 BIRCH。论文中对BIRCH聚类算法性能从时间/空间效率、对算法参数改变下的Calinski-Harabasz指数和聚类质量等方面进行了评估,并和经典的CLARANS算法进行了性能比较。

改进SPBO优化BIRCH算法的退役动力电池等级划分

针对退役动力电池存在数量庞大、一致性差、分类效率低等问题,将改进学生心理优化算法(SPBO)和BIRCH算法结合,对退役动力电池进行等级划分。基于BIRCH算法原理并结合退役动力电池参数,构建聚类特征树。利用改进后SPBO的优化特性,优化聚类特征树中节点的选取。分析仿真结果可知:与改进前相比,解决了聚类特征树中存在异常节点的问题;所提算法相对于传统k均值聚类,性能更为优良;使划分等级后的电池,拥有较高的一致性。

基于BIRCH算法的配电网设备多源数据融合存储技术研究

针对智能配电网设备量剧增导致的数据上传速率慢、数据存储性能较差等问题,提出了基于海量信息处理的配电网设备数据存储模型研究。利用Hadoop分布式平台搭建配电网设备数据存储模型架构,以此获取配电网设备海量数据。且应用CMCH算法并行关联配电网设备的多源数据,并采用了BIRCH算法融合设备并行关联数据库,以此获取配电网设备多源数据融合结果。再通过一致性哈希算法存储配电网设备数据,实现配电网设备数据存储模型的运行。同时搭建了Hadoop分布式平台,准备实验数据集来进行设备数据存储仿真实验。实验结果显示,与传统模型相比,所构建模型的数据上传速率较高、数据压缩也比较大,充分说明了该模型设备数据的存储性能较好。

基于BIRCH算法的多源数据融合存储技术研究

对于智能配电网设备数据上传速率低、数据存储性能差等问题,提出一种基于BIRCH算法的多源数据融合存储模型。首先,通过Hadoop分布式平台构建数据存储模型架构;其次,分别通过CMCH算法、BIRCH算法实现设备多源数据的并行关联、融合设备并行关联数据库;最后,通过一致性算法实现设备数据的存储。仿真结果表明,此种存储技术可有效提升设备数据上传效率,增大数据压缩,具有较好的设备数据存储性能。

基于本地差分隐私的BIRCH混合数据算法

BIRCH算法是一种适合处理大规模数值型的聚类算法,但现实生活中的数据往往是混合型数据,导致了BIRCH算法的局限性;此外,在使用BIRCH算法进行聚类分析的过程中存在隐私泄露的风险,而传统的中心化差分隐私算法存在需要可信第三方的缺点。针对以上缺陷,提出了基于本地差分隐私的BIRCH混合数据(LDP-BIRCH)算法,对混合型数据中的非数值型数据进行编码处理,并使用本地差分隐私对数据集进行扰动,将扰动后的数据集发给第三方进行BIRCH算法聚类分析。研究结果表明,LDP-BIRCH算法在adult和Facebook Live Sellers in Thailand数据集上满足隐私保护性和聚类可用性。

基于BIRCH的分布式光伏系统短期发电功率预测方法

当前分布式光伏系统短期发电功率预测结构多设定为目标式,预测范围在实际发电环境下受限,导致平均绝对预测误差增加。为此设计基于利用层次方法的平衡迭代规约和聚类(Balanced Iterative Reducing and Clustering Using Hierarchies,BIRCH)的分布式光伏系统短期发电功率预测方法。首先,明确预测指标,采用多层级的方式设计预测结构;其次,结合BIRCH原理,设计发电功率预测模型;最后,采用梯度回归处理的方式来实现最终预测。测试结果表明,对比传统变分模态分解-麻雀搜索算法-反向传播(Variational Mode Decomposition-Sparrow Search Algorithm-Back Propagation,VMD-SSA-BP)光伏系统短期发电功率预测小组、传统时序动态回归光伏系统短期发电功率预测小组,此次所设计的方法得出的平均绝对预测误差被较好地控制在2.1以下,预测效果更佳,针对性更强,误差可控,具有实际的应用价值。

生态美学视域下鄂伦春族桦树皮画的历史发展与时代传承

鄂伦春族在世代与森林相伴成长的历程中,形成了特色鲜明的桦树皮文化。鄂伦春族的桦树皮画不仅是传统桦树皮文化的历史传承,也是其朴素生态美学观的时代延续。传统桦树皮器物上装饰的出现与发展,可以看作是鄂伦春族桦树皮画的历史源流。在下山定居与“禁猎转产”之后,摆脱了实用性的束缚,鄂伦春族的桦树皮画在内容题材与创作技法等方面都展现出了新的时代风貌。研究表明,鄂伦春族桦树皮画的创新与发展,应坚守民族文化核心,并赓续传统生态审美观,才能根基稳固并持续向前创新发展。

黑河桦树皮手工艺产教融合模式的探索与实践

围绕国家文化强国的战略目标,从文化层面认知和重视黑河桦树皮手工艺文化产业发展,实施产教融合,从理论层面思考及构建发展振兴路径与策略,将桦树皮手工艺的研发、创作转化为实实在在的文化产业,助推桦树皮文化艺术教育的传承与黑龙江省文旅产业发展的需求。

包含哑变量的大兴安岭天然白桦林碳密度模型

以内蒙古地区牙克石林业管理局的大兴安岭天然白桦林(Betula platyphylla)为研究对象,利用198块样地数据分析天然白桦林林分碳密度与各林分变量之间的关系,建立碳密度预测基础模型,同时将立地条件(草类白桦林、杜鹃-越桔白桦林、榛子白桦林)作为哑变量引入到预测模型中,对不同林型的林分碳密度进行预测,为林业研究中碳密度模型的构建以及森林碳汇工作提供思路和方法。结果表明,天然白桦林林分碳密度基础模型决定系数(R^(2))为0.703,均方根误差(RMSE)为8.615 t/hm^(2),赤池信息量(Akaike information criterion,AIC)为841.206,贝叶斯信息量(Bayesian Information Criterion,BIC)为851.071。引入立地条件哑变量后,R^(2)有所增大,最大达到0.818,RMSE均小于等于8.241 t/hm^(2),说明模型具有较好的稳定性,预估参数较为精确。哑变量模型的AIC均小于等于541.431,BIC均小于等于550.320。哑变量模型能够反映不同立地条件下碳密度的变化,在模型的拟合和检验方面都显示适合于研究地区林分碳密度的预测,为天然白桦林碳密度估算提供参考。

基于数据挖掘的大学生就业指导资源挖掘方法

采用目前方法对大学生就业指导资源进行数据挖掘时,由于去噪性能差导致方法存在数据冗余、挖掘效率低和精准度较差的问题,因此提出了基于数据挖掘的大学生就业指导资源挖掘方法。利用H-BIRCH算法对就业指导数据进行聚类处理,结合EMD分解方法和小波去噪方法对不同类别的就业信息数据进行去噪,对去噪后的资源数据进行白化处理,采用图模型提取就业指导资源数据特征,完成就业指导资源挖掘。实验结果表明,该方法可以有效简化数据结构,数据冗余纠错率、数据挖掘效率和数据挖掘准确度较高。

内蒙古地区天然白桦林碳密度预测模型的构建

为了对天然白桦林碳储量预测提供方法,以内蒙古地区198块天然白桦林样地实测数据为材料,建立了碳密度预测模型,并进行了模型拟合优度检验,选出最优的内蒙古地区天然白桦林碳密度预测模型。结果表明:该模型为二元线性模型,决定系数R^(2)为0.568,均方根误差RMSE为12.515 t·hm^(-2),平均偏差ME为0.005 t·hm^(-2),平均绝对偏差为9.435 t·hm^(-2),准确率Acc为0.776。该二元线性模型能更好模拟碳密度与各个因子之间的关系,估算精度更高,可为估测森林碳储量提供参考依据。

人工模拟降水条件下旱作农田土壤“Birch效应”及其响应机制

降水事件引起干土复湿刺激土壤CO_2,脉冲释放的现象被称为"Birch效应",其作用机制可能是降水刺激土壤"底物供给"增加或引起土壤"微生物胁迫"所致。为深入了解土壤"Birch效应"对降水格局改变的响应过程及内在机制,在冬小麦拔节期和夏闲期分别进行了不同降水量(1-32 mm)人工模拟降水实验,系统观测了降水后0-72 h土壤呼吸及土壤碳组分变化特征,结果表明:土壤呼吸随降水量的增大而增强,1-16 mm降水土壤呼吸峰值出现在降水后4h,而32 mm降水土壤呼吸峰值出现时间滞后了4 h。与较小降水量相比,较大的降水量能增加土壤呼吸但会推迟土壤呼吸峰值出现时间。土壤呼吸速率峰值(SRP)与降水量(P)呈幂相关(拔节期:SR-P=0.97P^(0.09),R^2=0.5,P<0.05;夏闲期:SR-P=1.07P^(0.09),R^2=0.98,P<0.01)。降水后72h累积CO_2释放量(CO_2-P)与降水量呈线性相关(拔节期:CO_2-P=0.03P+5.99,R^2=0.58,P<0.05;夏闲期:CO_2-P=0.11P+6.04,R^2=0.86,P<0.01)。土壤呼吸温度敏感性系数和降水量之间存在二次曲线关系(拔节期:Q_(10)=-0.007P^2+0.2P+0.7,R^2=0.32,R^2<0.05;夏闲期:Q_(10)=-0.01P^2+0.3P+0.2,R^2=0.86,P<0.01)。逐步回归分析表明,冬小麦拔节期所有降水量处理土壤呼吸与土壤微生物量碳相关性均达到显著水平(P<0.05),指示土壤"Birch效应"是由"微生物胁迫"所致。而在夏闲期,当降水量小于8 mm时土壤呼吸与微生物量碳相关性显著,即以微生物胁迫机制占主导;8 mm降水处理下土壤呼吸与氯仿熏蒸-K_2SO_4提取态有机碳相关性达到极显著水平,指示则为两种机制共同起作用,而当降水量大于16 mm时,土壤呼吸主要与可提取态有机碳显著相关,"Birch"效应转为以底物供给机制占主导。与夏闲期相比,冬小麦拔节期作物生长会削弱"Birch效应",并改变其响应机制。

一种改进的BIRCH分层聚类算法

由于传统的BIRCH算法是用直径来控制聚类的边界,因此如果簇不是球形,它就不能很好地工作,而且传统的BIRCH算法只适用于单表。针对BIRCH的这些缺点,本文提出了一种改进的BIRCH——IBIRCH算法,该算法首先通过ID传播把多个表联系起来,使得BIRCH算法可以适用于多表的情况,再通过计算共享最近邻密度,可以发现任意形状的簇。实验表明,该算法不仅具有较强的可伸缩性,还可以得到较高精确的聚类结果。

一种改进的BIRCH聚类算法

BIRCH算法是一种适应于大规模数据集的聚类算法,通过对所有叶节点设定统一阈值T来构建聚类特征(CF)树,并在各阶段采取不同的阈值来重建树,但没有给出一个合理设定阈值初值T及如何在各阶段提升阈值大小的具体方法。另外BIRCH算法只能处理数值型数据,这使其应用受到限制。针对以上不足,对BIRCH算法做了以下改进:1)改进原BIRCH算法的CF结构,使其可以处理混合型属性数据集;2)启发式为BIRCH算法选择初始阈值T并给出了第二阶段提升阈值的具体操作方法;3)对BIRCH算法的参数B和L做了探讨,指出当参数B=L时算法性能相近,并提出为获得较好聚类效果时B值的取值范围。实验结果表明,改进后的BIRCH算法具有较好的性能。

基于数据流的BIRCH改进聚类算法

数据流管理作为一种新兴课题正在逐渐受到国内外广大研究学者的重视,数据流聚类是其中的一个重要研究领域。论文基于BIRCH聚类算法,提出了一种M-BIRCH聚类算法,克服了BIRCH算法对非球形的聚类效果不佳等缺点。实验结果证明,M-BIRCH聚类算法在聚类质量上比BIRCH有较大提高。

多重干湿交替格局下土壤Birch效应的响应机制

为了探究多重干湿交替格局及土壤团聚体粒径对土壤呼吸作用尤其是Birch效应的影响机理,以3种不同团聚体粒径的表层土(0～20 cm)为受试土壤,通过采用室内孵育试验的方法,研究了多重干湿交替循环及不同土壤团聚体粒径对Birch效应产生的影响。结果表明:复水促进了土壤呼吸作用,增加了土壤微生物生物量,但对微生物量和呼吸作用产生的激增效应并没有持续很长时间。复水3 h后呼吸速率达到峰值,并且随着干湿周期频率的增加而降低,其中大土粒降低幅度最小。不同土壤团聚体粒径对Birch效应的影响强度不同,但二者并不是简单的线性关系。总之,土壤团聚体能够保护部分有机质不被微生物分解矿化,多重干湿交替干扰了这种保护作用,提高了有机碳的生物相容性。Birch效应中被矿化的有机碳更多是来自于新的有机质的暴露,部分来自干旱期微生物细胞内积累的溶质。值得注意的是随着干湿循环数的增加,被暴露的新的有机质在被矿化分解前可能还存在其他中间过程。

基于Spark的BIRCH算法并行化的设计与实现

在分布式计算和内存为王的时代,Spark作为基于内存计算的分布式框架技术得到了前所未有的关注与应用。着重研究BIRCH算法在Spark上并行化的设计和实现,经过理论性能分析得到并行化过程中时间消耗较多的Spark转化操作,同时根据并行化BIRCH算法的有向无环图DAG,减少shuffle和磁盘读写频率,以期达到性能优化。最后,将并行化后的BIRCH算法分别与单机的BIRCH算法和MLlib中的K-Means聚类算法做了性能对比实验。实验结果表明,通过Spark对BIRCH算法并行化,其聚类质量没有明显的损失,并且获得了比较理想的运行时间和加速比。

基于BIRCH聚类加速的彩色图像增强算法

针对现存的大多图像增强算法增强的图像可见性丢失问题,提出了一种基于BIRCH聚类加速的彩色图像增强算法;首先,通过BIRCH聚类加速确定数据库中与输入图像直方图相似度最高的图像来提取图像特征;然后,选择最小欧氏距离的特征值进行图像融合以获取目标图像;最后,增强图像通过目标图像直方图规范化和后期处理获得;大量图像融合实验结果验证了算法的有效性,该算法扩展了图像增强的类别,解决了增强过程中可能出现的可见性丢失问题,使图像增强的适应性更强;另外,EM、CII和SSIM评估指标的结果表明该算法明显改善了增强效果。