基于改进学习算法的变电站继电器运行维护方法

在计算机技术、现代通信技术及电子技术的发展下,变电站继电器开始实现电力系统的综合自动化发展。由于变电站继电器的故障次数增加,提出基于改进学习算法的变电站继电器运行维护方法。设置变电站继电器的维护环境;在该环境下制定出变电站继电器的运行流程;并构建基于改进算法的变电站继电器运行维护体系,对变电站继电器实行二次维护。实验结果表明,设计的变电站继电器运行维护方法可以满足低成本的要求,具有一定的时效性。

基于改进哈希学习算法的小微企业融资数据智能检索方法

传统检索方法主要根据数据语义进行分类检索,数据检索精度较低,提出基于改进哈希学习算法的小微企业融资数据智能检索方法。获取并预处理小微企业融资数据作为数据基础,提取出小微企业融资数据的特征,利用深度学习改进哈希学习算法后构建一个深度哈希学习模型,输入数据特征后返回小微企业融资数据智能检索结果。实验结果表明,设计方法下小微企业融资数据检索结果的MAP值为0.974,证实了该方法的有效性与优越性。

支持向量机改进序列最小优化学习算法

为提高支持向量机序列最小优化学习算法的学习性能,提出了一种支持向量机改进序列最小优化学习算法,对传统SMO学习方法进行了多方面改进,从优化变量的选择和2个变量的优化方法分别提出具体可行的改进方法.改进后的SMO学习算法提高了学习速度,加快了网络收敛速度.基于改进SMO算法的仿真结果验证了改进SMO算法的有效性和优越性,并通过仿真,与原始算法进行了比较,显示了改进SMO算法的快速性.

基于改进DQN强化学习算法的弹性光网络资源分配研究

针对光网络资源分配中频谱资源利用率不高的问题,提出了一种改进的深度Q网络(DQN)强化学习算法。该算法基于ε-greedy策略,根据动作价值函数和状态价值函数的差异来设定损失函数,并不断调整ε值,以改变代理的探索率。通过这种方式,实现了最优的动作值函数,并较好地解决了路由与频谱分配问题。此外,采用了不同的经验池取样方法,以提高迭代训练的收敛速度。仿真结果表明:改进DQN强化学习算法不仅能够使弹性光网络训练模型快速收敛,当业务量为300 Erlang时,比DQN算法频谱资源利用率提高了10.09%,阻塞率降低了12.41%,平均访问时延减少了1.27 ms。

基于改进Q学习算法的导航认知图构建

针对导航认知图构建效率低,方向信息不准确等问题,提出了一种基于改进Q学习算法的导航认知图构建方法。首先,利用径向基(RBF)神经网络学习生成网格细胞到位置细胞的映射关系,并利用位置细胞对空间进行表征;其次,采用改进Q学习算法学习位置细胞面向目标的Q值大小;最后,根据重心估计原理计算面向目标的方向信息,并生成导航认知图。仿真结果表明:与传统Q学习算法相比,文中算法生成导航认知图的学习次数从2 000次缩减至1 000次,提高了导航认知图的构建效率;学习值(指面向目标的方向信息)的相对误差最大降低了15%,提高了认知图的准确性。

基于改进Q学习算法的低压电力线通信组网及维护方法

为提高组网稳定性,选取合适的低压电力线通信(LVPLC)拓扑控制方法至关重要。针对现阶段组网方法不具备自学习能力使得对动态变化的拓扑反应能力相对滞后导致网络不稳定的问题,提出一种适用于LVPLC局域网多约束的改进Q学习算法。该算法基于绑定载波侦听多址接入协议,将非对称信道组网系统建模为离散Markov决策过程。通过与未知环境的不断交互,关联注册节点信息,建立路由表,经周期性地在线学习训练,节点选择较优的转发方向,优化以网关为树根的簇树;周期性地轮换代理,维护并更新骨干簇树网的逻辑拓扑,延长网络生命周期,保证组网的稳定性。仿真结果验证了该算法的有效性与泛化能力。

基于决策树改进深度学习的网络安全态势智能感知方法

为了提高网络安全态势智能感知精度,提出基于决策树改进深度学习的网络安全态势智能感知方法。对通信网络流量数据进行预处理,基于决策树改进深度学习提取网络安全态势要素,计算网络安全态势感知阈值;设计网络安全态势智能感知流程,从而实现网络安全态势智能感知;设计对比实验,实验结果表明该研究方法对网络安全态势的感知精度较高,更具备实际应用价值。

基于改进深度学习算法的大数据交互式查询技术研究

传统大数据交互式查询技术忽略了对大数据融合步骤,导致该技术的交互查询效果不理想,且准确度偏低。为此,提出基于改进深度学习算法的大数据交互式查询技术。以教务系统为研究对象,构建教务系统交互大数据的粗糙量化特征分析模型,基于联合自相似性特征解析控制方法实现对教务系统交互大数据信息融合和特征匹配,从而提取教务系统交互大数据的关联匹配特征量。通过目标样本集相似性特征的重构,实现大数据深度学习训练。利用深度学习模型深度融合教务系统交互大数据,实现对大数据的交互式查询。仿真结果表明,该方法教务系统交互大数据查询的查准率较高,且数据训练过程的收敛速率和传输速率较好,有效提高了大数据交互式查询能力。

多属性信息决策的改进无监督学习算法建模与应用

针对SOM网络无监督学习算法的单样本序列学习方式内存占用多的特点,采用Voronoi矢量原理改进权矢量迭代方式,使改进算法具有所有样本同时学习的能力,同时给出了算法的矢量映射误差测度和拓扑误差测度。然后根据改进算法建立了多属性信息决策的可视二维拓扑映射图模型,并对R&D项目中止决策进行了研究。计算结果表明,改进的无监督学习算法收敛速度快,基于拓扑映射图模型的多属性决策有效。

基于改进深度强化学习算法的电力市场监测模型研究

针对典型深度强化学习算法若干显性固有弊端,提出了一种改进深度强化学习算法,设计了基于改进深度强化学习算法的电力市场监测模型。引入智能体(agent)机制,Agent执行动作(action)并把当前收益(reward)和未来收益反馈给环境(environment)模拟策略网络,在有限马尔科夫决策过程中引入多重Q网络机制实现深度估值网络。以国家电网某电力公司为效能评价载体,基于谷歌的Tensorflow 1.2.1和OpenAI的Gym 0.9.2环境开发了验证环境并对模型进行了实证分析,仿真验证结果表明所提模型可以在较短的时间内处理多维波动非线性电力市场监预测模型,在稳定性、监测自主性、预测准确性、对抗环境下的模型性能等方面具有明显优势。

基于改进算法的ART2网络用于微晶玻璃颜色分类

微晶玻璃颜色分类是最终控制产品质量的重要步骤 .作者改进了传统ART2网络的学习算法 ,借用典型向量的概念 ,以模式的近似均值作为典型向量来快速学习新模式 .改进学习算法极大地改善了ART2网络的模式漂移现象 ,而且能缩短搜索振荡过程 .文中分析了微晶玻璃颜色分量的统计信息 ,经过适当变换将高维颜色特征映射到 16维特征空间中的一个超平面上 .以超平面上的特征点作为改进算法ART2网络的输入进入网络分类器进行学习分类 .实验证明改进算法网络用于微晶玻璃颜色分类时 ,运行正确、可靠 。

基于改进BP学习算法的GPS高程转换

针对标准BP算法在GPS转换中的不足,给出改进的BP学习算法,通过对工程实例分析比较得出改进的BP算法在转换GPS高程中可以大大减少BP神经网络的训练时间,提高高程转换的效率。

聚类分析和改进贝叶斯算法的短期负荷预测

为了提高短期负荷的预测准确度,提出一种聚类分析和改进贝叶斯算法的短期负荷预测模型。首先收集短期负荷的历史样本,并进行归一化处理,加快建模速度;然后采用模糊均值聚类算法对短期负荷历史样本进行分类,构建贝叶斯算法的学习样本;最后采用贝叶斯算法建立短期负荷预测模型,并针对贝叶斯算法的不足进行相应改进。采用具体短期负荷历史数据序列对模型的有效性进行仿真测试,结果表明,聚类分析和改进贝叶斯算法的短期负荷预测模型提高了短期电力负荷的预测准确度,加快了模型的训练速度,预测结果更加可靠,可以为电力管理部门科学决策提供参考。

基于改进深度强化学习的电力智慧供应链高维度决策模型研究

着眼构建具备“建设一体化、检测自主化、监造可视化、分析智能化”属性的电力全景质控供应链,提出了一种基于改进深度强化学习的电力智慧供应链高维度决策模型。借助国家电网公司全景数据中心,构建大数据量级共享数据资源池,引入改进深度强化学习算法建立智慧决策、智能监控、全景可视、专业协同与智慧供应链之间的高维度决策映射,实现多维差异性系统数据的横向共享集成。选取国网供应链某核心节点为效能评价载体,开发对应原型系统并对模型综合效能进行实证分析,结果表明原型系统具备智能采购、数字物流、全景质控等全方位立体智慧供应链体系效能,在数据集成共享性、供应链全局协同性、供需精准匹配性、泛在电力物联网实践性等方面具有明显优势。

基于综合学习粒子群算法的PMSM滑模观测器设计

设计了一种基于改进综合学习粒子群算法优化的PMSM观测器。在静止两相参考系中建立PMSM的数学模型,用改进粒子群算法优化的超螺旋算法观测电机反电动势值,并采用软件锁相环结构估算电机的转速及转子角位置。实验结果表明,所提策略能准确地估计出转子转速及磁通角,且能够在抱闸释放瞬间输出理想的电磁转矩。

基于变学习率CMAC网络的自适应逆控制研究

提出一种改进学习算法的CAMC网络结构,并应用于非线性系统控制。该算法可保证网络的学习率随着系统工作点的变化而自适应变化,加快了网络的收敛速度,提高了系统的自适应能力。文中分析了CAMC网络用于自适应逆控制过程中,网络学习率对网络收敛特性的影响,论证了自适应学习率在网络学习中的作用,并给出了学习率自适应学习的具体训练方法。最终将该方法应用于三阶机械手模型的逆运动控制,给出了基于普通CMAC的逆运动控制的控制曲线和基于改进学习算法后的CMAC的逆运动控制的控制曲线,并给出了分析和对比,论证了改进的学习算法的优越性。

基于模糊神经网络的机场噪声烦恼度模型学习

鉴于机场噪声烦恼度模型的模糊规则量较大,采用传统的基于梯度的模糊神经学习算法存在计算量大、收敛速度慢、学习效率低的问题,提出一种基于模糊神经网络的机场噪声烦恼度模型混合学习方法。基于聚类思想,重新对模糊集合进行分组,采用先粗学习后细学习的间接学习方法;改进传统的基于梯度的模糊神经学习算法,将该算法应用到间接学习过程中,即混合学习方法。实验结果表明,该混合学习方法可以快速收敛,缩短学习时间,减少误差求解过程中的计算量,提高模型的学习效率。

基于DIGWO-VMD-CMPE的轴承故障识别方法

针对滚动轴承故障信号特征提取困难和识别准确率低的问题,提出了一种基于维度学习的改进灰狼优化算法(DIGWO)优化变分模态分解(VMD)和复合多尺度排列熵(CMPE)的轴承故障识别方法。首先,采用基于维度学习的狩猎(DLH)搜索策略、余弦收敛因子a和个体狼ω位置更新的方法将灰狼优化算法(GWO)改进为DIGWO,并利用DIGWO算法的自适应性优化VMD分解,得到了多个本征模态函数(IMFs);然后,利用复合多尺度排列熵计算IMFs的特征值,选取适当维数的特征,构建了故障特征向量;最后,利用DIGWO算法优化支持向量机(SVM)的惩罚系数C和径向基函数g,建立了DIGWO-SVM滚动轴承故障诊断分类器,并利用滚动轴承的振动数据验证了算法的有效性。研究结果表明:基于CMPE的DIGWO-SVM滚动轴承故障诊断方法能够有效地识别轴承的运行状况,识别准确率达到了99.42%,相较于PSO-SVM、SSA-SVM方法提高了7.75%、1.68%,证明了该方法的分类性能在滚动轴承故障诊断中更具优势。

应用L-M算法预测钢筋的锈蚀程度

应用L-M算法人工神经网络对钢筋的锈蚀程度进行预测。结果表明,L-M算法可以解决钢筋锈蚀程度的预测问题,而且算法快,精度高,是运用人工神经网络预测钢筋锈蚀程度的较好网络。

基于改进Q学习的可重入混合流水车间绿色动态调度

节能减排对于实现可持续发展具有重要意义。考虑了动态扰动事件对生产的影响,研究了可重入混合流水车间绿色动态调度问题,提出了改进的Q学习算法。在可重入混合流水车间中,将各个加工阶段抽象为智能体,搭建了多智能体强化学习模型。选用均值漂移算法对历史状态进行聚类。为实现全局优化,设计了经验共享策略实现各个智能体之间的经验交互,并设计了自适应贪婪策略选取动作。最后进行了数值实验,实验结果表明,在求解可重入混合流水车间绿色动态调度问题时,改进的Q学习算法优于单一的调度规则,可以在提高生产效率的同时保证较低的能耗,并且能够对实际生产环境中的动态扰动因素快速做出反应,能够有效地解决实际问题。