云端保电新模式下电网接线图增量自动成图算法

电网接线图增量成图过程复杂,容易受到接线不对称性影响,使得电网增量接线距离较远,导致成图后电压态势达不到理想状态。为了解决该问题,在云端保电新模式下引入A^(*)算法,自动生成电网接线增量线路图。使用A^(*)算法计算线路交叉和拐点代价函数,规划单线路路径,处理T型接线,对重复线路进行偏移处理。计算接线图形极坐标,连接所有更新后的极坐标点,实现接线图形拼接。计算连接起点到终点位置代价函数,在云端保电新模式下布局三相四线。计算引力、斥力、重力,将发散节点收敛于图形重心,构建节点运动方程,组装三相对称图形和各相单相不对称部分,美化接线图,使得成图效果清晰美观。通过案例分析可知,该算法接线所经过节点少,且自动成图算法与理想成图后电压一致,新增线路位置电压达到250 V,说明使用该方法能够达到理想成图效果。

基于增量自适应支持向量机的AFM尖端磨损识别

为了提高纳米加工刀具磨损状态在线监测的精度与泛化能力,提出一种基于增量自适应支持向量机的基于原子力显微镜(AFM)尖端磨损识别方法。该方法以横向力的峰-峰值和方差作为特征变量,通过移动视窗获取增量数据;以维持Kuhn-Tucher定理所要求的最优化条件为准则,在当前支持向量机解结构基础上自适应修改正则化参数C和核参数σ,以获得更新支持向量机结构,并对增量数据及受其扰动的原数据进行分类;根据尖端失效点数量走势,判定尖端磨损程度。实验证明该算法在识别精度与时间上可满足在线检测要求。与定向非循环图支持向量分类器对比,该算法具有更强的鲁棒性与更高的泛化能力。

基于SOINN增量自编码器的网络异常检测研究

针对批量学习的网络异常检测模型存在内存资源消耗大、无法在线更新的问题,利用自组织增量神经网络(self-organizing incremental neural network,SOINN)的增量学习特性,提出一种增量自编码器构建方式,将改进SOINN的输出神经元作为自动编码器的输入,使得模型在不破坏已有学习成果的基础上,具备增量更新能力。针对SOINN算法获胜神经元邻居节点学习率固定,不利于区分其与输入样本的相似性的问题,提出一种学习率自适应调整方法,来提升获胜神经元邻居节点的学习效率,使得算法输出神经元更能代表样本特性。针对反馈更新样本中正常样本纯度不高的问题,提出一种基于距离度量的样本标签筛选机制,通过计算反馈样本与神经元的距离来对正常样本进行筛选,使得反馈样本中正常样本比例更高,以此来提升模型的在线检测效果。在NSL-KDD数据集上开展了相关实验,实验证明所提方法具备增量学习能力,且改进SOINN的增量学习效果优于原始算法,有效节省了模型的运算和存储开销,通过基于距离的样本标签筛选机制,模型的在线检测能力有效提升。

基于增量自校的潮汐形变观测数据格值变化检测和数据归算

基于潮汐形变观测数据与理论固体潮数据在增量上的高度一致性,提出对增量一致性高于70%的潮汐形变观测数据,用观测值与理论值增量的日变幅之比作为振幅因子来检测格值变化,并对使用了错误格值的观测数据进行归算。该方法仅用1d的数据即可检测出格值变化情况,适用于格值骤变和格值缓变两种情况。通过对比格值修正前后的观测数据,说明格值变化检测和数据归算在潮汐形变观测数据分析中的意义。

中国城市增量自治研究

社会结构的巨大变迁和体制外因素的不断介入催化城市治理结构变革,城市自治是中国市制创新、促进城市发展和适应全球地方治理运动的理性选择。由于受中国国情及其所处时代背景等现实因素的制约,增量自治是中国城市由自主走向自治唯一道路。向城市政府和城市市民赋权与能则是中国城市实现增量自治的前提条件和制度保证。

基于增量自适应的邻近排序算法优化

数据库中相似重复记录的清洗是提高数据质量的有效措施,传统的邻近排序算法SNM的滑动窗口难以确定,而且要对窗口内的所有记录进行比对,效率不高。针对SNM算法的这一缺陷,提出了窗口大小动态变化的增量自适应的SNM算法,窗口的大小由当前出口的大小、窗口内第一条和最后一条记录的距离以及记录最短记录阈值确定,这样可以去掉很多无用的比较操作,提升数据清洗效率。

基于社区增量自适应爬虫研究

在分析传统的网络蜘蛛搜索特点的基础上,充分利用Web资源分布的特点,提出了基于在线增量自适应算法的搜索策略。该算法一方面避免了过早陷入Web搜索最优子空间的陷阱;另一方面不断对爬虫数据库更新,以提高其对链接主题的判断能力。通过对四所著名大学计算机网站做的搜索实验,表明新的算法可以有效地提高网络蜘蛛的搜索性能。

基于增量自适应学习的在线肌电手势识别

表面肌电信号由于个体差异性,在作为外设的控制源时,往往需要针对个体进行长时间的前期训练以获得精准分类辨识模型。针对该问题,在原有的KKT-SVM增量学习方法的基础上,提出了一种基于DBSCAN密度聚类的SVM增量学习算法(D-ISVM),并将该算法应用于在线肌电手势识别。首先,考虑新增样本和原非SV样本对新SV集的影响,通过DBSCAN对样本分布的紧密程度进行分析聚类,筛选出原SV集附近的新增样本以及原非SV样本;其次,结合核心对象以及各样本到超平面的距离进行二次筛选;最后,将筛选出的样本与原SV集一起训练以获得新SV集。实验结果表明,与传统算法相比,提出的D-ISVM增量学习算法能保持更高的识别准确率,同时进一步提高分类模型的学习速度,并有效解决了在线手势识别中表面肌电个体差异性的问题。

输电网接线图增量自动成图算法

输电线网接线图自动成图算法是一个非常复杂的全局优化问题.它涉及到厂站位置的自动布局和输电线路自动规划两个方面.本文给出了解决该问题的一种具体思路和算法,将该问题划分为3个部分:首先,利用力导向算法对厂站位置进行初始布局,采用模拟退火算法进行迭代计算,通过并发技术实现引力、斥力系数进行选择,得到代价最小的初始厂站初始布局.其次,利用A*算法对输电线路进行线路规划,构建了一个线路走向的代价模型,通过代价模型规范线路走向,得到美观的线路布局.最后,对布局结果评价反馈再布局,将常见的几种布局缺陷通过程序的方式进行消缺,减少人工干预.同时,本文还对历史线路和新增线路做了处理,使得算法可以实现在不改变历史厂站线路布局的情况下,对新增厂站线路进行布局规划.通过实验显示,该方法得到的图形结果满足线路规划美观,布局合理,交叉少,拐角少等优点.

辛庄:提质增量自主创新 打造针织服装强镇

为了更好地宣传江苏纺织产业集群(特色乡镇),提高江苏纺织特色乡镇的知名度,扩大产业集群企业的影响,加强行业报刊与产业集群间的联系与交流,促进产业集群的发展《,江苏纺织》《、服饰导报》以及《中国纺织报》江苏记者站不久前对近20个江苏纺织产业集群(特色乡镇)进行了联合采访,主要就纺织产业集群的建设情况、突出的特色和未来的发展计划等问题采访了当地镇政府的领导和部分重点企业。在采访过程中,记者发现这些特色乡镇和企业由于所从事的产业不同而处于不同的发展时期,有的正蓬勃兴起,有的处于转型的关口,更多的是在积极探索新的发展出路。本期刊登的是其中的10个特色乡镇的基本情况报道,作为江苏纺织特色乡镇系列报道的开场。希望通过我们的报道,对我省纺织产业集群的发展脉络有较清楚的认识,有助于从事与关心特色乡镇建设的同志积极探讨特色乡镇未来发展的新契机。

运用Excel实现变电站软母线长度增量自动计算和预测分析

目前在变电站软母线施工中,母线长度增量计算基本还是手工加计算器的方式,本文探讨了运用Excel实现自动计算的方法,并预测分析一些数值的变化可能造成影响的程度,寻求解决实际施工偏差的途径,推算调整数据和预测调整效果。

企业数字化转型与政府数字化治理对创新“提质增量”的协同影响机制研究

基于数字化赋能理论,以2016—2021年396家高技术制造业上市公司为样本,从微观和宏观两个维度出发探究企业数字化转型和政府数字化治理赋能企业创新“提质增量”的作用机理,并采用多项式回归、响应面分析及块变量分析技术剖析其交互协同机制,明晰数字经济推动企业创新“提质增量”的多维路径,研究结果表明:(1)企业数字化转型能促进企业创新“增量”,不能促进创新“提质”;政府数字化治理能促进企业创新“提质增量”。(2)企业数字化转型和政府数字化治理存在交互协同效应,能显著促进企业创新“提质增量”,并且在平衡状态下,二者处于双高水平时企业创新表现更好,在非平衡状态下,呈现政府数字化治理的“主导逻辑”。(3)政企之间的交互协同可以通过降低管理性交易成本,缓解信息不对称性来促进企业创新“提质增量”。研究结论丰富了数字经济与企业创新相关研究,为企业走出创新“轻质量、重数量”困境提供了新的路径,为政府部门落实数字经济政策和优化创新环境提供了新的参考。

基于增量学习的车联网恶意位置攻击检测研究

近年来,车辆恶意位置攻击检测中主要使用深度学习技术.然而,深度学习模型训练耗时巨大、参数众多,基于深度学习的检测方法缺乏可扩展性,无法适应车联网不断产生新数据的需求.为了解决以上问题,创新地将增量学习算法引入车辆恶意位置攻击检测中,解决了上述问题.首先从采集到的车辆信息数据中提取关键特征;然后,构建恶意位置攻击检测系统,利用岭回归近似快速地计算出车联网恶意位置攻击检测模型;最后,通过增量学习算法对恶意位置攻击检测模型进行更新和优化,以适应车联网中新生成的数据.实验结果表明,相比SVM,KNN,ANN等方法具有更优秀的性能,能够快速且渐进地更新和优化旧模型,提高系统对恶意位置攻击行为的检测精度.

避免近期偏好的自学习掩码分区增量学习

遗忘是人工神经网络在增量学习中的最大问题,被称为“灾难性遗忘”.而人类可以持续地获取新知识,并能保存大部分经常用到的旧知识.人类的这种能持续“增量学习”而很少遗忘是与人脑具有分区学习结构和记忆回放能力相关的.为模拟人脑的这种结构和能力,提出一种“避免近期偏好的自学习掩码分区增量学习方法”简称ASPIL.它包含“区域隔离”和“区域集成”两阶段,二者交替迭代实现持续的增量学习.首先,提出“BN稀疏区域隔离”方法,将新的学习过程与现有知识隔离,避免干扰现有知识;对于“区域集成”,提出自学习掩码(SLM)和双分支融合(GBF)方法.其中SLM准确提取新知识,并提高网络对新知识的适应性,而GBF将新旧知识融合,以达到建立统一的、高精度的认知的目的;训练时,为确保进一步兼顾旧知识,避免对新知识的偏好,提出间隔损失正则项来避免“近期偏好”问题.为评估以上所提出方法的效用,在增量学习标准数据集CIFAR-100和miniImageNet上系统地进行消融实验,并与最新的一系列知名方法进行比较.实验结果表明,所提方法提高了人工神经网络的记忆能力,与最新知名方法相比识别率平均提升5.27%以上.

基于在线自组织增量学习的非侵入式负荷识别方法

随着电子技术智能化的发展,对实现电器负荷使用情况的精准识别在智慧用电领域将有广泛的用户需求。为了实现对电器设备的实时在线精确监测,本文提出了一种基于在线自组织增量学习(SOINN)的非侵入式负荷识别方法。该方法包含负荷特征提取、负荷特征分类及电器识别2个步骤。在负荷特征提取步骤中,提出了包含奇次谐波、均值、方差、3阶矩、4阶矩、电流有效值、功率谱峰值、功率谱谷值在内的共12维特征的特征提取方案。在负荷特征分类及电器识别步骤中,提出了结合SVM的SOINN的负荷特征分类及电器识别方法,以克服传统的SOINN算法不能实现电器类型识别功能的缺陷。通过C++语言将所提方法中的功能算法编写成微处理器系统的可执行功能模块,将功能模块移植部署在SoCFPGA的HPS端运行,实现了FPGA和HPS之间的协同高速数据通信。选取了8种常规家用电器作为负荷识别对象,搭建了基于SoCFPGA的硬件实验平台,进行了最优负荷特征选取,并采用本文方法对单电器与多电器的在线负荷进行了识别。实验结果:选取12维特征为本文方法的最优特征组合;本文方法的单电器与多电器的识别率均在95%以上。本文提出的负荷识别方法能够有效、准确地识别单电器与多电器;系统可实施性强,灵活性高,具有在线学习的优越性与实际应用的切实可行性。

基于增量式PID算法的香精施加系统设计

为解决加热不燃烧烟草制品生产过程中香精施加量无法根据薄片质量变化进行实时调控的问题,设计了一种基于增量式PID算法的香精施加系统。该系统由称重单元、螺杆泵、喷嘴、流量传感器等组成,通过称重单元实时获取薄片质量数据,根据理论计算模型确定香精施加量,基于增量式PID算法驱动螺杆泵定量输出香精至喷嘴中,利用流量传感器对香精施加量实时反馈,实现香精精准施加。验证结果表明,当薄片质量发生变化时,香精施加量可快速调整,最大超调量为1%,最长调整时间为1.8 s,系统具有较好的跟踪性能;施加量检测值与理论值的偏移率为0.23%~0.52%,施加量组内波动为3.11%~4.17%,系统可实现香精的准确、均匀、稳定施加。

目标机动补偿的动能拦截器增量式制导方法

面向目标强机动、推力干扰、测量偏差的动能拦截器强抗扰末制导方法设计问题,提出一种目标机动补偿的大气层外动能拦截器增量式强抗扰末制导方法。通过回采推力传感信息、视线转率辅助微分信息,同时联合增量式制导方法与惯性时延的扰动估计方法,对目标机动等不确定性和内外部不确定性等带来的扰动进行实时补偿并融合至制导算法,从而实现复杂工况下拦截器对抗机动目标的制导系统扰动降级与鲁棒增强等目的。复杂工况下仿真结果表明:所提方法对强机动目标、测量偏差、推力干扰等多源扰动具有强抗扰能力,并且能够实现精确碰撞式拦截任务。

10岁前月经初潮的中枢性性早熟女孩体格发育特点及剩余身高增量预测

目的总结10岁前月经初潮的中枢性性早熟(CPP)女孩的体格发育特点,预测10岁前月经初潮CPP女孩的剩余身高增量。方法选择10岁前出现月经初潮的CPP女孩57例(观察组)、10岁前未月经初潮仅乳房发育的CPP女孩93例(对照组),观察并测算两组患儿的生长参数,包括身高、体质量、体重指数、骨龄、胰岛素样生长因子-1、年龄别身高标准差积分(HtSDS-CA)、骨龄别身高标准差积分(HtSDS-BA)、骨龄指数、体质量指数Z分值(BMI-Z)、胰岛素样生长因子-1的标准差积分(IGF-1 SDS)、预测成年身高、遗传靶身高及预测剩余身高增量等,分别采用Pearson或Spearman相关性分析法分析预测剩余身高增量与观察组患儿生长参数的相关性,以观察组患儿预测剩余身高增量为因变量进行单因素线性回归分析,构建10岁前出现月经初潮的CPP女孩剩余身高增量的预测模型。结果与对照组相比,观察组患儿的骨龄、骨龄指数、HtSDS-CA、BMI-Z、IGF-1 SDS的均值高(P<0.05)。与遗传靶身高相比,观察组患儿预测成年身高明显低(P<0.05)。预测剩余身高增量与10岁前出现月经初潮CPP女孩的骨龄呈负相关(r=-0.994,P<0.05)。10岁前月经初潮的CPP女孩剩余身高增量的预测公式为Y(cm)=67.496-4.901×骨龄(岁)。结论10岁前月经初潮的CPP女孩的已经开始体格发育,生长潜力较小。

定量CMR参数对急性心肌炎诊断的增量价值研究

目的探究定量心脏磁共振(CMR)参数对急性心肌炎诊断的增量价值。方法选取2021年12月至2023年12月新乡市中心医院收治的120例急性心肌炎患者(急性心肌炎组)进行回顾性研究,另按2∶1比例选取本院体检健康者60例作为对照组,比较两组受检者的定量CMR参数,通过受试者工作特征曲线(ROC)分析定量CMR参数诊断急性心肌炎的价值效能,并对定量CMR参数进行中位数划分,分析定量CMR参数增量诊断急性心肌炎的价值。结果急性心肌炎组患者T1弛豫时间、T2信号强度比、早期强化率明显高于对照组,差异均有统计学意义(P<0.05);ROC分析结果显示,T1弛豫时间、T2信号强度比、早期强化率诊断急性心肌炎的曲线下面积(AUC)分别为0.783、0.798、0.644。急性心肌炎组患者T1弛豫时间、T2信号强度比、早期强化率值的中位数分别为1310.5 ms、2%、3.51%。按中位数将其划分为T1弛豫时间≥1310.5 ms亚组,T1弛豫时间<1310.5 ms亚组;T2信号强度比≥2%亚组,T2信号强度比<2%亚组;早期强化率值≥3.51%亚组,早期强化率<3.51%亚组。ROC分析结果显示,在T1弛豫时间≥1310.5 ms亚组、T2信号强度比≥2%亚组、早期强化率值≥3.51%亚组中T1弛豫时间、T2信号强度比、早期强化率值诊断急性心肌炎的价值较好,AUC分别为0.979、0.959、0.999。结论定量CMR参数诊断急性心肌炎均具有一定价值,对定量CMR参数进行增量划分后其诊断急性心肌炎价值更高。

不平衡数据下基于SVM增量学习的指挥信息系统状态监控方法

针对指挥信息系统历史状态样本有限的特点,基于支持向量机(support vector machines,SVM)设计了一种面向不平衡数据的SVM增量学习方法。针对系统正常/异常状态样本不平衡的情况,首先利用支持向量生成一部分新样本,然后通过分带的思想逐带产生分布更加均匀的新样本以调节原样本集的不平衡比。针对系统监控实时性要求高且在运行过程中会有新样本不断加入的特点,采用增量学习的方式对分类模型进行持续更新,在放松KKT(Karush-Kuhn-Tucker)更新触发条件的基础上,通过定义样本重要度并引入保留率和遗忘率的方式减少了增量学习过程中所需训练的样本数量。为了验证算法的有效性和优越性,实验部分在真实系统中获得的数据集以及UCI数据集中3类6组不平衡数据集中与现有的算法进行了对比。结果表明,所提算法能够有效实现对不平衡数据的增量学习,从而满足指挥信息系统状态监控的需求。