基于样本扩展和特征标记的节假日短期负荷预测

针对目前节假日负荷预测中有效样本缺乏的问题,基于休息日与节假日负荷特性的相似性分析,提出一种扩展样本策略,以丰富基础样本数据量;探讨了对负荷样本节假日特征属性的标记方式,并构建了一种有效的相关因素矢量;最后结合支持向量机(support vector machine,SVM)算法,对节假日负荷进行预测,以提高其预测结果的精度。算例结果表明,与传统方法相比,所提方法能够有效提高负荷预测精度,可推广应用于实践中。

基于训练样本集扩展的隐式篇章关系分类

隐式篇章关系分类主要任务是在显式关联线索缺失的情况下,自动检测特定论元之间的语义关系类别。前人研究显示,语言学特征能够有效辅助隐式篇章关系的分类。目前,主流检测方法由于缺少足够的已标注隐式训练样本,导致分类器无法准确学习各种分类特征,分类精确率仅约为40%。针对这一问题,该文提出一种基于训练样本集扩展的隐式篇章关系分类方法。该方法首先借助论元向量,以原始训练样本集为种子实例,从外部数据资源中挖掘与其在语义以及关系上一致的"平行训练样本集";然后将"平行训练样本集"加入原始训练样本集中,形成扩展的训练样本集;最后基于扩展的训练样本集,实现隐式篇章关系的分类。该文在宾州篇章树库(Penn Discourse Treebank,PDTB)上对扩展的训练样本集进行评测,结果显示,相较于原始训练样本集,使用扩展的训练样本集的实验系统整体性能提升8.41%,在四种篇章关系类别上的平均性能提升5.42%。与现有主流分类方法性能对比,识别精确率提升6.36%。

基于WSSRC单样本人脸识别及样本扩充方法研究

由于传统的SRC方法的实时性不强、单样本条件下算法性能低等缺点,提出了融合全局和局部特征的加权超级稀疏表示人脸识别方法(WSSRC),同时采用一种三层级联的虚拟样本产生方法获取冗余样本,将生成的多种表情和多种姿态的新样本当成训练样本,运用WSSRC算法进行人脸识别分类;在单样本的情况下,实验证实在ORL人脸库上该方法比传统的SRC方法提高了15.53%的识别率,使用在FERET人脸库上则提高7.67%;这样的方法与RSRC、SSRC、DMMA、DCT—based DMMA、I—DMMA相比,—样具备较好的识别性能。

储能系统锂离子电池附加受控电压源等效电路模型研究

该文在少温度和少放电电流样本测试条件下,基于二阶RC等效电路模型提出一种模型改进的方法,构建反向传播(BP)神经网络来预测宽范围温度和电流倍率下的模型端电压误差,实现对模型的动态补偿。该方法可避免对锂离子电池重复进行充、放电实验而造成循环寿命折损。仿真和实验结果表明,所提小样本数据扩展的方法具有一定的可行性;附加受控电压源的电池模型在不同温度和电流倍率下的适应性更好,模型精度得到提升。该方法通过模型分析实现电池筛选组成梯次利用储能系统,并结合电池模型实现荷电状态(SOC)预测及发热预警,在新能源发电电池储能系统应用中具有一定的实际工程意义。

结合半监督学习和LDA模型的文本分类方法

针对样本集中具有较少标记样本情况下的文本分类问题,提出一种结合半监督学习(SSL)和隐含狄利克雷分配(LDA)主题模型的标记样本扩展方法(SSL-LDA),并整合朴素贝叶斯(NB)分类器构建一种文本分类方法。使用LDA主题模型生成主题分布,以表示所有样本;根据训练集中已标记样本,通过一种简化粒子群优化(SPSO)算法获得SSL-LDA自训练模型的最优参数;基于SSL-LDA自训练模型对训练集中一些未标记样本进行标记,扩展训练集;基于扩展后的训练集,训练NB文本分类器。在3个数据集上的实验结果表明,该方法能够很好地应对标记样本较少的情况,获得了较高的分类精确度。

非线性集合四维变分同化方法NLS-4DVar之局地化改进

四维变分同化可利用同化窗口内所有可能的观测信息优化大气、海洋模式的初始场,从而极大地提高大气、海洋模式模拟性能,而作为4DVar标准算法的伴随方法始终无法避免繁琐与复杂的预报模式伴随方程的编程、维护以及更新。为避免伴随模式的使用,集合四维变分方法,4DEnVar方法被逐渐开发,为4DVar的求解提供了一种便捷的途径。4DEnVar一般通过局地化过程消除样本不足所造成的虚假相关,而局地化方案的不同也必然会影响到其最终的同化效果。本文将一种集合样本扩展的局地化方案引入到基于Gaussian-Newton迭代算法的非线性集合四维变分同化方法NLS-4DVar中,从而避免了原算法中为进行局地化过程而额外需要的线性化假设,使得算法收敛更稳定。另外,通过将原Gaussian-Newton迭代序列进行变形、避免了矩阵的直接求逆,极大地提高了同化算法的计算效率。利用非线性动力模型Lorenz-96所开展的观测系统模拟试验表明:采用新的样本扩展型局地化方案的NLS-4DVar算法,其同化精度略优于NLS-4DVar原始算法,由于避免了矩阵的直接求逆,其计算效率反而有所提高,同化所需时间有所降低,对于大气与海洋数据同化领域的应用具有极大的潜力。

极端降水天气预报指数对气候累积概率分布敏感性研究

针对中国气象局T213全球集合预报系统历史样本较短、极端降水天气预报指数数学模型中气候累积概率分布样本不足的问题,选取气候背景和地理地貌特征较为相似的长江中下游地区,利用扩展时间序列和空间范围的方法,增加T213全球集合预报系统的降水预报气候分布样本数,改进模式降水预报气候累积概率分布,利用2011年6月10—20日集合预报资料进行极端降水天气预报指数预报试验,分析气候累积概率分布敏感性。结果显示:扩展时间序列和空间范围增加模式T213集合预报气候样本数的方法,生成的模式气候累积概率分布较单一格点方法更具代表性,能提高极端降水天气预报指数的识别技巧,并提前8 d发出长江中下游地区极端强降水预报信号。