基于数据特征提取和SSA-BiLSTM的短期风电功率预测

为提高风电功率预测的准确性,提出了一种基于数据特征提取和麻雀算法优化双向长短期记忆网络(sparrow search algorithm optimised bi-directional long and short-term memory network,SSA-BiLSTM)短期风电功率预测模型。首先根据皮尔逊相关系数(Pearson correlation coefficient,PCC)分析风电数据中各影响因素与风电功率之间的相关性,根据计算结果将功率无关的因素去除。然后,采用自适应噪声完全集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)将原始风电功率序列进行分解,得到一系列子序列分量。再将所有子序列输入麻雀算法(sparrow search algorithm,SSA)优化的双向长短期记忆(bi-directional long short-term memory,BiLSTM)模型中进行预测,根据所得预测值对风速序列进行修正。将修正所得的风速序列与风电功率序列作为输入,送入SSA-BiLSTM模型中进行预测。最后,由实验结果分析并对比得出,该模型具有更好的风电功率预测精度。

基于多元数据特征和改进随机森林的智能配电网异常数据辨识

智能配电网异常数据的准确辨识对于提高电网安全运行和调度具有重要意义。提出一种基于多元数据特征和改进随机森林算法的异常数据辨识方法。首先,在分析异常数据辨识过程的基础上,利用K-means、箱线图法等提取原始数据异常特征;考虑配电网技术需求,挖掘电网运行的衍生特征。其次,针对类不平衡问题,提出结合过采样方法的混合Bootstrap抽样和加权投票策略,引入信息增益率优化最优特征选择,增加算法稳定性。最后,仿真分析了决策树数量和衍生特征对算法辨识性能的影响,并与支持向量机、神经网络等算法进行性能比较。实验结果表明所提方法有效、合理,具有优异的辨识性能和效率。

高维数据特征提取算法的研究及比较

This paper introduces and analyzes several feature extraction algorithms. These algorithms use linear or non-linear feature extraction methods to project high-dimensional objects into lower dimensional space, thus the complexity of the operations upon them, such as clustering, the nearest-neighbor search, visualization and etc can be reduced. The paper also presents some comparative experimental results of these algorithms and analyzes briefly their advantages or shortcomings.

一种基于多源数据特征提取的分拣型机器手臂研究

在智能分拣应用中,机器手臂在对目标进行定位、跟踪及抓取之前,需要对目标进行识别,然而现有机械手臂在目标识别能力上存在不足,导致分拣效率和准确率不高。针对此问题,文中提出一种基于多源数据特征提取的分拣型机器手臂研制方案。该方案利用多传感器技术获得多源数据,接着将这些传感器节点采集的原始数据,通过无线传感器网络传输到本地处理节点。后者再完成数据融合和特征数据的提取,并将特征数据与特征数据库比对,从而获得目标类型。采用此方案能够提升机器手臂识别目标的能力,从而提高智能分拣效率和正确率。

基于关联规则的油田大型机泵设备振动故障数据采集方法

为了在不同工况下获取完整的振动故障数据,设计关联规则的油田大型机泵设备振动故障数据采集方法.提取大型机泵设备振动故障数据特征,在数据标准阈值中设定预警值与报警值,获取故障数据的全频域信息;基于关联规则方法优化振动故障数据采集完整性,通过分解、排序、更新三个步骤在处理噪声的同时保证数据完整性;引入连续采集算法判定振动数据故障阈值,优化完成油田大型机泵设备振动故障数据采集.实验表明,该数据采集方法可以在六种工况下,有效获取机泵设备回旋振动与纵向振动的完整故障数据,具备实际可行性.

基于数据特征提取的线上电商用户潜在购买力挖掘方法

为了更好实现线上电商用户潜在购买力挖掘,提出一种基于数据特征提取的线上电商用户潜在购买力挖掘方法.通过粗糙集组建线上电商用户访问数据的信息跟踪融合模型,采用模糊度特征分析方法重构线上电商用户访问数据,进而获取有关于用户潜在购买能力的关联特征.使用熵权决策法选择合适的权重,同时计算不同线上电商用户的潜在购买力,通过购买能力进行等级划分,最终实现电商用户潜在购买力挖掘.仿真实验结果表明,所提方法可以快速准确实现用户购买力挖掘.

基于优先级诊断树的工控网络入侵数据关联挖掘方法

研究基于优先级诊断树的工控网络入侵数据关联挖掘方法,提高工控网络入侵数据挖掘能力。采用网格搜索与模拟退火算法相结合的方法得出SVM提取器最优参数,通过SVM提取器提取工控网络入侵数据特征,运用粗糙集约简工控网络入侵数据特征属性,降低工控网络入侵挖掘的数据样本冗余特征属性。将约简的特征作为优先级诊断树的输入,依据工控网络入侵数据关联挖掘准则,使用优先级诊断树实现工控网络入侵数据关联挖掘。实验结果表明,该方法平均误报率为1.38%,检测率大于90%,挖掘时间低于3.6 s,在-6~26 dB归一化空间谱范围内,均能有效地实现工控网络入侵信号数据挖掘且检测效果最优。

集成网络异构模态数据特征提取数学建模仿真

针对现有的集成网络异构模态数据特征提取数学模型存在的特征提取速度较慢、准确性较差等问题,构建了基于矩阵分解的集成网络异构模态数据特征提取模型,该模型首先利用小波去噪函数逼近原理对集成网络异构模态数据进行去噪,然后采用统计学中贝叶斯分类方法对去噪后的数据进行分类,根据有限的标记样本,将其当作硬性约束加入到矩阵分解中并构建局部邻域,给出更新规则得到局部优化解,最后将约束矩阵引入到完成降维的数据矩阵中,实现对异构模态数据特征提取数学模型的构建。实验结果表明,当数据集中存在异常数据时,所构建模型的异常数据点检测率较高、误报率较低,其提取的数据特征具有代表性,且特征提取用时较低。

基于Pro/E二次开发的空调器配管数据提取技术研究

以配管动力学分析及可靠性评价为目标,对基于Pro/E平台的空调器配管数据提取技术进行了讨论。从功能上对配管结构进行了分类,并根据配管类型不同,明确了各自动力学建模分析所需的结构和定位参数等部件特征信息。基于Pro/TOOLK IT和VS2005二次开发平台,自动提取配管系统各部件特征数据信息,以INI文件格式进行存储。通过自行开发的空调器配管CAD/CAE集成分析系统可将数据文件信息翻译为APDL(ANSYS Parametric Design Language)标准代码,从而实现基于ANSYS平台的配管系统动力学建模及分析。

基于深度学习的逆变器电路图像数据智能识别方法

进行逆变器电路图像数据识别时,特征信息提取不充分使得无法准确捕捉到关键特征,导致识别精度下降。为此,提出一种基于深度学习的逆变器电路图像数据智能识别方法。首先,利用逆变器数据采集系统,采集逆变器电路图像数据。然后,将图像数据输入到卷积神经网络模型中,通过卷积核提取数据的特征。最后,采用YOLO算法对其进行有效识别,基于CA模块对特征信息进行关注,并利用Detect模块输出识别结果。Detect模块主要包括置信度函数和模型的损失函数,将两者结合,利用分类框和检测框来实现对逆变器电路图像的识别。实验结果表明,所提方法的识别误报率最高仅为6%,具有实用性。

基于数据特征提取与自适应K-means聚类算法的用户用电画像

随着大数据研究的不断深入与配电自动化建设的逐步完善,电网的态势感知功能正在发挥越来越大的作用,也越来越受到电力公司的重视,其中实现用户用电特征的画像是最重要与基础的一部分。首先对现有用电数据进行特征提取,通过这种方式实现了初步的用电特征提取,同时大大降低了后续算法运行所需的计算资源,随后通过自适应K-means聚类算法对用电特征进行自适应聚类。最后,将得到的结果与常规方法进行准确率比对,验证了该方法的有效性。

基于灰靶理论与云模型的能源物联网数据精准挖掘方法

当前能源物联网数据精准挖掘关联规则多为独立形式,数据处理及挖掘的限制效果较差,导致数据挖掘查准率下降,为此提出对基于灰靶理论与云模型的能源物联网数据精准挖掘方法的设计与验证分析。根据当前的测定需求及标准,先进行数据挖掘特征提取,采用多阶方式,强化数据处理及挖掘的限制效果,制定多阶数据挖掘关联规则,以此为基础,构建灰靶理论+云模型物联网数据挖掘结构,采用递归处理实现数据挖掘。测试结果表明:对比于传统属性偏差控制能源物联网数据精准挖掘测试组、传统K-means测算能源物联网数据精准挖掘测试组,此次所设计的灰靶理论与云模型能源物联网数据精准挖掘测试组最终得出的数据挖掘查准率均可达60%以上,说明在云模型和灰靶理论的辅助下,当前的数据挖掘方法更加灵活、多变,自身具有较强的针对性,数据挖掘误差可控,具有较大的实际应用价值。

基于优化VMD-CNN-BiLSTM的电机轴承智能故障诊断研究

针对滚动轴承早期故障信号较弱及特征数据提取效果差,导致故障诊断准确率低以及故障诊断效率低的问题,提出一种信号处理结合深度神经网络的故障诊断方法。首先,采用变分模态分解(VMD)法提取主轴承振动数据中的特征数据;然后为了确定VMD算法中最佳的模态分量个数K及惩罚参数α,增强特征提取的效果,将最小排列熵作为适应度函数,采用全局优化能力强的正弦混沌自适应鲸鱼优化算法(CAWOA)进行参数的确定,得到最优模态分量;接着,根据最优模态分量构造特征向量,将特征向量作为CNN-BiLSTM网络的输入,实现故障的分类。最后,根据实验平台采集的数据进行实验分析。结果表明,优化VMD-CNN-BiLSTM轴承故障诊断模型相较于其他故障诊断模型,在准确率以及实时性上均有明显提升。

一种改进的人工免疫网络:免疫特征映射网

针对目前人工免疫系统研究领域存在的算法模型不统一、算法功能不明确以及算法应用领域模糊的问题,从生物免疫系统的功能机理出发,在总结和分析现有研究成果的基础上,明确应用方向,确定算法模型,提出一种用于特征数据提取的人工免疫网络算法——免疫特征映射网。在对算法功能和性能定性分析的基础上,通过仿真实验验证了所提算法在特征数据提取方面的可行性和有效性。

船舶监控视频数据的压缩与传输方法研究

为保障船舶航行信息准确直观的进行传输,对船舶监控视频图像的压缩与传输准确性要求进一步提高,由于传统船舶监控视频数据压缩和传输解压程序复杂、图像画质模糊,难以达到准确传输船舶数据画面的获取要求。基于上述背景,结合离散小波变换算法对船舶监控数据压缩与传输方法进行研究和优化,以提高数据传输的安全性和可靠性,达到精准快速的传输和恢复图像质量的设计目标。为检验该方法的有效性进行仿真实验,实验结果证实,结合小波算法的监控视频数据压缩与传输方法可有效提高图像数据处理过程中的抗干扰能力,有效获取图像特征,快速进行图像传输,达到了精准高效的设计目标,有利于保障船舶的航行安全。

基于一维残差卷积的烟叶分级方法研究

在烟叶分级过程中,由于人为主观性、分级标准不一致等因素导致分级结果不一致。针对以上问题,提出一种一维残差卷积的烟叶等级分类模型。首先,改进VGG16网络,将方形矩阵卷积核和池化窗口改为适应于一维光谱数据的向量卷积核和池化窗口。然后,利用BasicBlock残差模块替换多层卷积叠加的结构,对光谱数据进行更深层的提取,防止梯度消失问题。最后,在卷积层后面接入BN层模块,通过归一化的方式,防止卷积计算后由于数据分布分散而导致的网络效率降低问题。选取B2V、B1F、C4F、C1L和X2L等5种不同等级的烟叶样本的近红外光谱数据进行实验。结果表明,所提方法对5种等级烟叶训练集和测试集的平均分类准确率分别为98.0%和97.3%,明显高于其他方法。该方法在一定程度上解决了烟叶人工分级带来的误差,减少了人力输出,提高了效率。

舰船信息系统多来源数据有效识别方法研究

在舰船信息系统中汇总了大量的多源数据,由于多源化的数据识别程度不同,造成传统多源数据识别方法识别速率较低,为此提出舰船信息系统多来源数据有效识别方法研究。使用线性特征计算对多来源数据进行快速特征提取,去除冗余数据减少识别数据量,以数据合成规则为基础,对提取特征进行快速融合,将融合特征数据以几何形式进行高速识别,完成舰船信息系统多来源数据有效识别。实验数据表明,设计的多来源数据有效识别方法比传统识别方法的TGK识别速率高0.15%,并具备极高的有效性。

基于分布式技术的旅游信息实时分析平台设计

针对旅游不断发展带来的旅游信息庞大繁杂,无法及时进行汇总分析的问题,提出基于分布式技术的旅游信息实时分析平台。信息分析平台以分布式结构为基础框架,结合物联网进行数据感知与处理。通过对旅游信息的数据特征进行采样提取,进行旅游信息的分析处理。构建分布式检测模型,以期及时有效分析处理旅游信息;对旅客进行有效的旅游导览,便于进行下一步的旅游决策。通过对比实验分析,结果显示,基于分布式技术的旅游信息实时分析平台对旅游信息的分析更加高效准确。

AI交互终端异常数据入侵识别与仿真

交互终端界面可分为桌面、非桌面、可见及不可见几种类型,因此交互界面的大数据具有多样化和无序化特点,导致AI交互终端安全攻击事件时有发生。为增强AI交互安全性,提出AI交互终端大数据异常入侵风险识别方法。构建AI交互终端数据模型,获得入侵数据参变量在终端内簇首节点中的布局函数,构建异常数据入侵节点的路由拓扑模型。根据能量损耗测量频谱,得到交互终端数据布局全部簇的位置,拟合终端数据信息流二维信号。基于此,利用主成分分析提取异常值,筛选关联密切信息,保证成分互不干扰。根据排列数据簇,划分正常数据与异常入侵数据,利用网络发生器,得到入侵特征和权值,完成AI交互终端大数据异常入侵风险识别。实验结果显示,所提方法的AI交互终端大数据异常识别率可达95%以上,误检率低于10%,确保了AI终端的安全,可有效减小用户损失。

基于运行数据的锅炉故障自动检测技术研究

为实时检测锅炉的运行数据,提高其连续工作性能,提出一种基于运行数据的锅炉故障自动检测方法。通过时间序列方式收集锅炉稳态数据,并归一化处理;根据处理后数据属性的均值、方差得出数据的集合与方差矩阵,提取出其数据特征;通过标准化方式得出特征数据各点之间的距离与距离矩阵,采用欧式距离与绝对距离测量融合方式检测出分布密集数据的故障数据,并利用距离度量函数,完成分布稀疏数据的故障检测,从而完成锅炉整个故障数据自动检测。实验结果表明:该方法锅炉故障检测结果精度高,故障检测消耗时间极短,具备良好鲁棒性。