BP神经网络与局部线性模型树算法的比较

本文主要介绍了目前使用比较广泛的人工神经网络中的BP算法和使用不多的局部线性模型树（LOLIMOT）算法，从几个方面比较两种算法，指出各自的优缺点。

一种新型的模型树算法研究及应用

决策树算法训练速度快、结果易于解释,但在实际应用中其分类精度难以满足业务要求。为了提高决策树算法的精度,基于LogitBoost算法的优点,对决策树C4.5算法进行了改进。在决策树的叶节点上应用LogitBoost算法建立叠加回归模型,得到一种新型的模型树算法-LCTree算法。通过11组UCI数据集试验,经分析比较,证明LCTree算法比其他算法更有效。将该算法应用于电信客户离网预警系统建模,结果表明,该算法可有效地分析客户特征,精确地预测离网客户。

M5’模型树在热电厂负荷优化中的应用

机组汽耗特性是热电厂负荷优化分配的基础。为了改进传统单一多元线性回归模型无法适应非凸、非连续的汽耗特性,本文基于M5’模型树算法,滚动利用机组自动化系统的最新历史数据获取最新汽耗特性,并在此基础上建立实时厂级负荷优化模型,给出了应用差分算法求解全局最优解的方法。实例表明:所建立的汽耗特性模型的预测能力强且建模过程可控,方便应用于热电厂的负荷优化,具有实用价值。

分片合并模型树光滑逼近算法

针对已知样本数据建立非线性函数模型的问题,提出了分片合并模型树光滑逼近算法。在区域线性模型树算法的基础上,采用区域分片和区域合并两个算法将输入空间划分为若干子区域,对每个子区域使用线性函数进行逼近,并构建该子区域上的加权函数,生成基函数展开方式的全局表达,从而获得光滑的任意精度逼近结果。分片合并算法使得相同的线性函数可以在非凸甚至非连通的区域上起作用。在参数数量相同的情况下,其逼近精度比区域线性模型树算法有显著提高。仿真结果表明:该算法是解决这类建模问题的有效方法。

一个实时调度仿真模型算法的算法

提出了一个在仿真支撑系统中所采用的实时调度仿真模型算法的算法,并且成功地应用在“RDFI—50MW热电厂训练仿真机”中.