基于回归卷积神经网络和负荷混沌模型的窃电预测方法

精确地计算台区线损、提取用户用电特征实现窃电预测,是精准营销策略制定的关键。然而,台区可再生能源发电的随机性、电动汽车充放电无序性、环境变化等因素使用户用电行为极易突变,导致台区用户用电数据呈现混沌随机特性,无法有效检测用户窃电行为。对此,建立了台区用户用电的时序相关混沌模型,并提取窃电负荷样本与正常样本的特征,使用回归卷积神经网络对窃电样本和正常样本训练学习,获得增强特征分类学习器,以此实现对窃电用户用电预测。通过对某实际电力公司用电数据的测试分析表明,所提方法的计算结果具有较高的精确度。

基于卷积神经网络与滤波融合算法的某惯导系统剩余寿命预测模型建立

在对产品中具备大量运行观测性能数据的关键系统部件进行剩余寿命预测的过程中,因寿命数据稀少难以建立寿命分布模型。而对产品性能观测数据进行退化建模,传统退化过程分析模型对于产品性能观测数据适应性差导致产品寿命预测精度低、有效性弱的问题,充分挖掘部件退化数据信息,依据相关退化分析技术,基于统计模型中的滤波预测方法与机器学习技术中的回归卷积神经网络(regressive convolutional neural networks,RCNN)预测方法建立产品剩余寿命预测融合模型。融合模型结合了滤波预测模型对产品退化状态的挖掘能力、不确定表达能力与RCNN网络模型良好的数据适应性、预测的准确性,提高了产品退化数据分析的准确性及有效性,可对产品关键部件的寿命进行有效预测,为产品中具备大量运行观测数据的关键系统部件健康管理提供辅助参考。

地理卷积神经网络时空加权回归理论方法研究

针对传统时空地理加权回归模型在探测时空异质性方面能力有限的问题,本文引入卷积神经网络,提出地理卷积神经网络时空加权回归模型。该模型通过设计一种时空加权卷积神经网络,并利用Dropout算法和批归一化算法进行优化,从而达到对时空权重矩阵的精确求解,进而为充分探测事物的时空异质性提供理论方法。以2012-2019年福建省县级能源消费碳排放量及其影响因子为基础数据,对两种模型进行验证。结果表明,文章提出的模型的精度指标AICc、RSS、R2比时空地理加权回归模型的分别提升了451.3、0.51、0.06。

基于CNN-SVR网络的黄渤海近岸海域叶绿素a浓度预测

利用海洋卫星观测数据和黄渤海近岸海域实测生态水质数据,建立了一种基于卷积神经网络结合支持向量回归(Convolutional Neural Network-Support Vector Regression,CNN-SVR)的深度学习网络模型的叶绿素a浓度预测方法。采用皮尔逊方法对叶绿素a与环境动力因子和生态水质因子作相关分析,发现营养盐因子大多与叶绿素a有显著相关性,水质因子如pH、溶解氧、盐度等与叶绿素a的相关性不大;将黄渤海近岸海域划分为渤海南部与黄海北部、黄海中部,进行春夏、秋冬两个时期1×1和2×2两种卷积核大小的CNN-SVR网络模型实验以及单因子敏感性分析试验。结果显示:卷积核大小为2×2时,CNN-SVR网络模型对训练数据的学习和对测试样本的预测检验效果都更优;渤海南部与黄海北部近岸海域模型预测效果更好。营养盐因子对模型预测能力的影响更显著,悬浮物等水质因子的影响相对较弱。单变量对模型预测的敏感性较弱,多变量整合具有互补性,改善了模型的预测效果。

基于回归CNN的烟叶近红外光谱模型研究

为了更大程度提取近红外光谱中的深层次关键特征,论文应用改进的回归式卷积神经网络算法,将传统的卷积神经网络架构中池化层移除,最顶层的线性分类层用回归层进行替代,构建卷积神经网络回归(CNNR)模型。为了验证该算法的有效性,论文经多次实验、对比评价指标,筛选出最佳模型:总糖、总烟碱和氯离子最佳CNNR模型的相关系数R分别为0.9318,0.941,0.933,交叉验证的RMSECV分别为0.7052,0.0710,0.0971。实验结果表明:CNNR模型抽提的特征光谱数据对三个指标有很强的解释能力,对烟叶化学成分的有较好的预测性能和综合表达能力。

基于CNN的水质特征提取模型

针对液体中物质浓度预测模型,构建一种基于卷积神经网络的水质特征提取模型。首先,定义含有卷积层、采样层、全连接层的七层网络结构,选取适当的最优化方法和损失函数,对模型进行训练调整参数。接着分析了不同损失函数对模型训练和模型验证的影响。实验验证了在水质检测领域运用卷积神经网络回归的可行性。