基于支持向量回归机的空调逐时负荷滚动预测算法

针对当前空调负荷预测算法精度不高难以满足空调系统节能优化控制的问题,提出基于支持向量回归机(Support Vector Regression,SVR)的空调逐时负荷滚动预测算法,建立SVR滚动预测模型,模型参数采用网格搜索遍历算法进行寻优。为简化模型的复杂性,还对影响空调负荷的主要因素进行了相关性分析。此外,算法利用当日前1 h的滚动信息,不断对模型进行修正以提高负荷预测精度。最后探讨以期望误差为预测精度评价指标时,不同训练样本长度对神经网络和SVR算法预测精度的影响。预测结果表明:基于支持向量回归机的空调逐时负荷滚动预测算法较BP神经网络算法的预测精度提高10.3%,比常规支持向量回归机算法预测精度提高23.9%,训练样本较小时,算法预测性能更为优越。

支持向量回归机元参数优化方法

为了优化ε不敏感支持向量回归机(-εsupport vector regression,-εSVR)的三类元参数,根据其耦合程度将其优化问题分解为核参数优化和结构参数(即不敏感参数和正则化参数)优化两个子问题,并提出了相应的优化方法。首先,提出了一种新的核校准系数以优化核参数;其次,提出了一种基于期望训练误差的结构参数优化方法;最后,为准确估算-εSVR的期望训练误差,还提出了一种根据实际训练误差分布特征评估和校正期望误差的方法。仿真结果表明,该文方法具有与交叉检验法近似的优化效果,且时间效率更高。

基于小波分解和支持向量机的办公建筑空调负荷预测

提出了一种基于小波分解-支持向量机(WD-SVM)的办公建筑空调负荷预测建模方法,利用小波分解将具有较强随机性和非线性的空调负荷信号进行分解,然后利用支持向量机对分解后不同频率下的分支数据进行预测建模,从很大程度上避免了由于训练样本不完备而导致的支持向量机预测精度波动。仿真结果表明,WD-SVM方法的预测精度评价指标EEP比单支持向量机法降低33.6%,预测精度有明显提升。

基于BP神经网络车牌字符识别的研究

本文将BP神经网络应用于车牌的自动识别,在简述BP神经网络的基础上,重点讨论了用BP神经网络方法对车牌照字符的识别,用MATLAB完成了对车牌照数字识别的模拟,最后得出实验结果,证明这种方法是高效的.

采用进化算法优化向量量化

把进化策略引入到矢量量化设计中 ,提出了一种选择优良后代码书矢量的判据和方法 .在使用 LBG算法进行聚类的前提下 ,利用所选择出来的后代矢量调整各个区域的子误差 ,从而进一步改善期望误差 ,以获得全局最优码书 .实验结果证明 ,此方法能克服局部最优 ,改善码书矢量 .

结合图模型和分层查询的半监督学习方法

针对大规模检索时半监督学习方法难以兼顾运算复杂度和学习精度的问题,提出一种高效、高精度的半监督学习方法,在不降低学习精度的前提下降低运算复杂度。设计用于图模型重建的复杂度函数,在给定的复杂度水平下,结合径向基函数重建最优的图模型;采用轮换授权算法,对图模型进行分层聚类,构建树结构;采用分层查询策略,沿着树自上而下地遍历各节点,贪婪搜索期望误差最小的节点,扩展已标记样本集,不断降低学习误差,提高学习精度。仿真实验表明,与现有的半监督学习方法相比,该方法的学习精度更高、运算复杂度更低。

基于时域加权的单位脉冲响应模型的非叠代算法

提出了一种基于时域加权的新的非叠代优化算法,用于重构经过采样示波器测量的阶跃信号、脉冲信号等。该算法构造了一个期望误差函数,由于这个期望误差函数与真实误差很接近,因此构造了新的价值函数,并使用时域加权来优化不同的波形,在减小时域振铃时有效的控制噪声放大。与误差能量/归一化方法相比,该算法经过仿真实验表明了其可行性和有效性。

基于模糊神经网络的学习算法大型电气工程设备绝缘故障诊断方法

由于引起电气设备出现绝缘故障的因素较多,导致诊断的准确率较低,为此,提出大型电气工程设备绝缘故障诊断方法设计研究。对故障信号进行Hilberx变换后,提取其周围节点的信号状态特征,利用模糊神经网络的学习算法计算待诊断信号与提取特征值之间的匹配度,将期望误差小于目标值的特征对应的故障作为最终的诊断结果。实验结果表明,所提方法对不同绝缘故障的正确率可达到95%以上。其运行可靠性直接关系到电力系统的安全与稳定,模糊神经网络的学习算法分析方法作为一种有效的充油电力设备异常监测手段,在电力系统得到广泛的应用。

系统样本差估计量的优良性

文章证明了在超总体模型下,以期望均方误差作为衡量估计量的准则,系统样本差估计量要优于系统样本估计量。

多无人机协同定位下的路径优化

利用无人机携带定位设备在空中进行辐射源目标的时差定位,可有效避免因地面布站几何因子和非视距传播带来的误差。在此场景下,针对具有定位精度保证的飞行路径最小化问题,本文推导了定位误差期望的下界,构建了最小化该下界的飞行路径优化模型,并针对该模型提出两种数值近似优化算法。在多种场景下,仿真实验对两种算法的路径优化性能进行了对比;在飞行距离受限条件下,仿真实验研究了两种算法的定位精度差异。

基于改进皮尔逊积矩相关系数的一次调频关键参数校核辨识方法

在特高压新能源环境下电网格局与发电结构发生重大变化,电网运行过程中一次调频关键参数准确性、可靠性对电力系统安全稳定运行具有重要作用。利用调差系数定义计算理论功率,从理论功率和实测功率关系出发,提出了一种基于改进皮尔逊积矩相关系数(PPMCC)的一次调频关键参数校核辨识方法,该方法通过改进PPMCC方法,准确、高效地在线评估发电机组一次调频动作过程中理论功率与实际功率之间的相关性,从而校核辨识一次调频关键参数。以某机组运行过程中一次调频事件为例,验证该方法的有效性、稳定性,实验结果表明该方法能准确、快速、可靠地辨识出一次调频关键参数,同时该方法为电网调度人员实时掌握涉网发电机组一次调频动态性能提供了数据支持,为电力系统安全稳定运行提供了有力的支撑。

Zllner错觉的阈限测定

该研究选取大学生为被试,采用最小变化法,分别测量了干扰线对数、干扰线与主线之间的间隔、主线之间的间隔三个变量导致Zllner错觉产生的绝对阈限。每个变量中主线与水平面的夹角分为45°和90°两种条件。结果发现,若要产生Z?llner错觉:1)干扰线对数的阈限分别为5对、7对;2)干扰线与主线之间的间隔阈限分别为6.58像素、4.48像素,3)主线之间的间隔阈限分别为124.44像素、131.73像素。此外还发现:4)在Zllner错觉形成的影响因素中,从大到小依次是:干扰线对数、主线之间的间隔、干扰线与主线之间的间隔;5)45°情况下比90°情况下更容易产生错觉;6)在Zllner错觉知觉中,期望误差严重。