基于方差变化率判据-四分位的风电场功率异常数据识别

风电场运行中产生了数量巨大的历史数据,而提升历史数据的质量是实现风电场高效智能运维的前提。为此,文中分析了风电场风功率数据的分布特征和形成机理,提出基于方差变化率判据-四分位法组合的风电场风功率异常数据识别方法。首先,利用物理规则对原始风功率曲线进行预处理,剔除明显异常的数据;然后,利用风功率方差变化率判据法识别并清洗风功率曲线的堆积型异常功率数据点,判据的阈值借助箱型图自动获取;同时,利用四分位法识别并清洗剩余的离散型异常数据点;最后,通过算例验证了所提算法的可行性。研究结果表明所提算法具有易实现、效率高和通用性强的优点,其异常识别效果优于局部离群因子(local outlier factor,LOF)算法和Thompson tau-四分位算法,其耗时比LOF和Thompson tau-四分位算法分别减少9.6 s和0.49 s,且在5个不同位置的风电场验证了所提算法的通用性。

基于自相似指数变化率的网络数据流异常分析

为分析并识别网络中的异常状态,规避网站被攻击风险,以网络数据包为研究对象,基于网络流量具有自相似性的特点,通过自相似指数方差变化率对网络的正异常状态进行度量和分析。选取Moore数据集作为实验数据,以Hurst指数作为自相似度量指数,以数据读取单位、数据读取间隔为算法参数,分别通过方差时间法、平均相邻点对法和R/S法对Hurst指数进行估算,建立了基于自相似指数变化率的适用于实际网络的数据流异常分析规则。实验证明,即使在攻击相对分散且网络状态不稳定的状况下,也可以实现最大限度的网络异常识别。

最优尺度和随机森林算法下盘锦海岸带遥感监测

针对海岸带遥感监测中岸线和地类提取单纯采用光谱信息而忽略其纹理和几何特征所导致的分类精度不高,以及产生“椒盐”及错分现象的问题,提出了面向对象的多尺度分割技术。通过局部方差变化率峰值确定对象提取的最优分割尺度,使用随机森林算法对基于最优尺度的盘锦市1990、2002、2013、2018年共4个时相海岸带土地利用类别进行分类。对多维特征重要性程度进行度量,依据特征贡献率对高维特征空间进行降维,构造最优特征空间。在袋外分类误差趋于收敛的前提下,寻找最适决策树数量使分类精度最高。定量分析与实验结果表明,与传统的光谱自动分类算法相比,该分类算法具有更高的准确性和稳健性,其总体精度达到81.32%以上,Kappa系数高于0.7531,明显优于传统算法,能够有效提高海岸带遥感监测的精度。

最优分割尺度下盘锦海岸线的时空变迁

为研究盘锦海岸线的时空变迁,文章基于面向对象的多尺度分割技术,利用局部方差变化率算法计算水域的最优分割尺度,使用隶属度分类得到水边线,通过潮汐改正提取海岸线,系统分析1990-2018年盘锦沿海4个研究区的海岸线长度、变化距离和变化率以及海岸带向海推进面积的时空变化特征及其驱动因素。研究结果表明:4期影像水边线提取的最优分割尺度分别为118、91、114和104;辽河口、临港工业区、盘锦港区和辽滨主城区海岸带向海推进面积分别为99.96km^(2)、43.96km^(2)、26.62km^(2)和26.91km^(2);盘锦海岸线的巨大变化主要是由于资源枯竭型城市向海发展、全面转型和以港强市的政策导向作用。

AAC窗型判定和量化模块的改进算法

由于先进音频编码(AAC,Advanced Audio Coding)标准中使用了较为复杂的心理声学模型和两层嵌套循环量化模块,使得其编码复杂度明显增加,从而影响了实时编码,所以,对于有实时编码要求的系统,必须对标准使用的心理声学模型和量化模块进行改进。本文针对AAC心理声学模型中的窗型判定子模块,提出了基于时域方差变化率的窗型判定算法;并且通过对AAC量化噪声评估模型的推导,设定量化因子初值,在可变比特率条件下无需循环就可实现量化编码,在固定比特率条件下可单循环实现量化编码且在96kbps码率条件下量化循环次数为1-2次。改进后的AAC编码器在TMS320C6727B实验平台上窗型判定模块运算量为1.79每秒百万时钟周期(MCPS,Million Cycles Per Second),量化模块为14.67 MCPS,并且经测试证明音质并无明显失真。