基于SWLSTM-Stacking集成学习的源荷区间预测方法

针对光伏出力和电动汽车充电特性的随机特性对电力系统的冲击不断增强,准确及时的源荷预测是实现增强电力系统适应性和稳定性的重要课题。因此,提出一种基于共享权重长短期记忆网络(shared weight long short-term networks,SWLSTM)与Stacking集成模型相结合的源荷区间预测方法。首先,光伏出力存在时序性特征,采用局部线性嵌入改进k-means算法聚类提取特征日,在实现数据降维同时,减少了网络训练难度;其次,在Stacking集成模型的框架下,将SWLSTM作为元学习器,并通过Q统计量筛选合适的基学习器模型,从而实现多模型融合的多异学习器Stacking集成学习的源荷预测;紧接着,为了得到预测的不确定信息,引入置信度区间预测;最后,采用实测数据对本文所提方法进行验证。结果表明改进k-means算法能够降低其求解难度,加快求解速度,可以快速获取聚类特征;所引入集成学习模型和置信度区间,有效表征源荷预测的不确定性,提升区间预测模型的泛化能力。

基于多模型组合方法的公平水库中长期入库径流预报

准确可靠的水库中长期预报结果对于指导受水区水资源优化配置等具有重要意义。本文首先选取SARIMA模型、SVM模型、XGBoost模型与RF模型分别构建公平水库月入库径流预报方案,以气象因子的物理机制为基础,在成因分析与随机森林重要性排序的基础上筛选关键预报因子并输入至4个单一模型中。然后在对比分析各模型优劣的基础上,以线性与非线性组合2种方式构建组合预报方案。结果表明:RF模型在4个单一模型中的模拟结果表现最优,SARIMA模型的模拟精度随着入库径流量的增加而增加;组合预报模型较任一单一模型的模拟结果均更好,基于神经网络的非线性组合方式能够有效提高验证期的模拟精度,增加模型的泛化能力。

一种用于主题提取的非线性加权方法

主题提取是文本处理的一项重要工作。本文首先分析了主题抽取中加权方法形成时的一些定量问题 ,然后提出了主题相关词一种非线性加权处理方法 ,对比实验结果显示它不仅是一种比较稳健的方法 ,而且能在一定程度上提高主题提取的正确率。

基于Web的文本检索位置加权模型研究

本文分析了传统向量空间检索模型在Web环境下的不足,提出了两种改进的线性加权模型及非线性加权模型;实验结果表明,两种模型的文本检索能力相比传统向量模型都有较大提高。

基于夹角余弦的混沌局域加权线性预测算法

针对基于欧氏距离的混沌局域预测算法在高嵌入维情况下预测精度迅速下降的问题,提出了基于夹角余弦的局域加权线性预测算法。该算法使用夹角余弦取代欧氏距离作为判别相点间相关性的标准;同时将相点间相关性大小通过加权的方式作用于预测模型;并将相点视为向量,以向量的模和夹角为优化目标,进行预测参数识别。在详细论述改进算法理论基础的同时,使用南方某城市电力负荷进行了算例验证。算例结果表明,改进算法的预测精度明显优于原算法,验证了改进算法的有效性。

基于惩罚项的热连轧轧制规程多目标函数优化

为了解决传统热连轧负荷分配优化普遍采用约束方法进行求解时求解步骤繁琐、不容易获得最优解的问题,提出了一种惩罚函数算法.通过引入函数惩罚项,将多目标函数约束求解问题转化为无约束求解问题.建立了带有惩罚项的轧制力、板形、功率和温度的单目标函数,进而采用线性加权求和法建立了综合多目标函数.利用Nelder和Mead单纯形解法则进行求解,简化了求解的步骤,最终得到了兼顾轧制力平衡、板形最优及温度合理的负荷分配方案.实际应用效果表明,与传统负荷分配方式相比,基于多目标优化得到的轧制规程更符合实际生产要求,具有良好的应用前景.

基于Web的个性化搜索引擎的研究

分析了传统搜索引擎系统的缺点。设计了一种个性化搜索引擎的体系架构,提出了一种改进的向量空间模型。该模型利用非线性加权的思想来处理特征权值的计算。最后,给出了一种基于改进的向量空间模型的个性化搜索算法,能够针对不同用户提供不同的检索结果。实验结果表明,该结构和算法能够有效地提高搜索引擎的性能,满足用户的个性化需求。

具有加权梯度源项的半线性抛物方程解的爆破时间下界

本文中研究具有加权梯度源项的半线性抛物方程Dirichlet初边值问题解的爆破时间下界。当解爆破发生时,利用修正微分不等式技巧,在高维空间中适当的加权测度意义下导出解的爆破时间下界估计,并给出应用举例。

基于线性核极限学习机的情感分类

随着网络电影数据库和电子商务网站的流行,用户的评论彰显出越来越大的价值。因此,意见挖掘或情感分析是目前自然语言处理和机器学习领域的研究热点之一。情感分类是一个具有代表性的情感分析应用,支撑向量机(Support Victot Machine,SVM)通常被用作为该应用的基准分类方法。首次将线性核极限学习机(线性核ELM)应用于情感分类,并在常用的情感分类和主观/客观分类数据集上,比较了不同的词条加权策略情况下线性核ELM和SVM的分类性能。实验结果显示线性核ELM在大数据集(10000样本)上有着更高的分类准确率率,在较小数据集(2000样本)上和SVM相当。进一步的,我们建立了自己的亚马逊智能手机评论集(Amazon Smartplaone Review,ASR)--由产品评论构成的非平衡数据集(1731正面样本,830负面样本)。比较结果显示线性核ELM在不平衡数据集上也是一个具有竞争力的情感分类方法。

基于混合邻域约束项的改进FCM算法

传统模糊聚类算法在影像分割过程中仅考虑影像的光谱信息,所以对噪声比较敏感.对此,提出基于混合邻域约束项的改进模糊C均值聚类(MNCFCM)算法.首先,从隶属性及光谱属性两方面定义邻域像素关于中心像素的相似度;然后,利用线性加权的方式将从两方面定义的相似度进行融合,同时结合邻域像素到聚类中心的欧氏距离构造混合邻域约束项,并将其引入目标函数中,以平衡影像分割过程中的影像平滑及细节保留,实现对影像的更优分割;最后,通过对合成影像及真实遥感影像分割结果的定性、定量评价,验证所提出算法具有较强的鲁棒性,在降低对噪声的敏感性的同时,能够较好地保留影像细节,获得高精度的分割结果.