基于神经网络的电力变压器运行状态检测方法

在检测电力变压器运行状态时,由于原始运行数据中存在噪声,检测结果准确率偏低,为此,本文提出基于神经网络的电力变压器运行状态检测方法。利用神经网络循环清洗变压器状态数据,具体的实现过程分为样本剔除和样本召回2个阶段。在电力变压器运行状态检测过程中,将变压器状态数据中的状态量划分为家族缺陷数据和运行巡检数据2个部分,在分类的基础上计算状态参数的变化情况,结合参数的属性实现对电力变压器运行状态的检测。结果表明,该检测方法对不同电力变压器运行状态检测结果的准确率始终稳定在95.0%以上。

基于核偏最小二乘法的动态预测模型在铜转炉吹炼中的应用

为实现铜转炉吹炼过程中的关键操作参数的准确预测,构造一种基于核偏最小二乘法的动态预测模型,并提出一种适用于动态建模的在线式异常样本剔除方法。该动态预测模型使用滑动窗方法不断更新建模数据,再利用核偏最小二乘法对动态模型的参数进行辨识,最后根据反馈的前次计算误差对本次预测值进行修正。仿真研究结果表明:该动态预估模型具有较好的泛化能力和较强的鲁棒性,并具有较好预测精度(风量预测的相对均方根误差小于10%,氧量预测的相对均方根误差小于19%)。目前,该预测模型被用于某转炉的吹炼辅助决策系统中。

基于K中心点和粗糙集的KNN分类算法

为有效解决KNN算法在文本分类时效率随着数据规模的增大而降低这一问题,提出基于K中心点(K-Medoids)和粗糙集(rough set)的KNN分类方法 (KRS-KNN)。通过K中心点算法对文本数据集进行聚合,形成类簇,计算簇心和其它样本点的相异度,将相异度大于最后簇心相异度的样本剔除,运用粗糙集理论对得到的每个类簇进行分割,通过上、下作差得到的边界样本,通过KNN算法确定其最终类别。实验结果表明,文本数据的计算规模得到了降低,提高了文本数据的分类效率。

一种快速AdaBoost.RT集成算法时间序列预测研究

传统AdaBoost.RT算法的训练样本容易向小值样本集中,难以避免加权错误率低而真实错误率高的弱学习机,且迭代训练的速度较慢。针对这一问题,首先重新设计了相对误差函数和样本权重的更新方式;然后通过减少迭代训练中的样本规模提出了基于权重的自适应样本剔除快速AdaBoost.RT算法;最后将AdaBoost.RT算法应用于航空发动机起动阶段状态趋势监控。实验结果表明,快速AdaBoost.RT算法预测误差均值减少了0. 128 4和0. 263 2,误差标准差减少了0. 022 3和1. 794 4,虚警次数减少了5次,训练速度提升了53%。实验表明,快速AdaBoost.RT算法能有效监控航空发动机起动阶段的状态趋势,具有预测误差小、训练速度快、虚警率低等优点,对提高装备维护效率具有一定的参考意义。

剔除样本点对相关系数大小的影响

相关系数是用来衡量两个变量相关性强弱的数值指标,离群点对相关系数的大小影响较大.本文由一道考题出发,探讨剔除不同位置的样本点对相关系数大小的影响。