基于深度学习算法的直流充电桩相对误差预测研究

针对充电桩建设越来越多、设备易出现偏差的现状,提出了一种基于深度学习算法的直流充电桩相对误差预测的方法。首先将直流充电桩采集的数据集进行预处理,然后搭建了LightGBM、N-Linear以及CNN模型进行相对误差预测,并采用MAE以及MSE作为评估指标进行评估。结果表明,LightGBM模型效果最理想,MAE较N-Linear模型降低了57.91%,较CNN降低了30.16%,MSE较N-Linear模型降低了82.85%,较CNN降低了约47.32%。

基于相对误差分段的剂量率拟合转换方法

针对计数与剂量率数据拟合过程中低剂量率误差偏大问题,提出一种基于相对误差分段的剂量率拟合方法。以相对误差为判断依据,依次从高剂量率区域往低剂量率区域开展剂量率数值拟合,使拟合剂量率值中,高剂量率段相对误差均非常贴近于真值,同时低剂量率区域通过分段方式亦贴近于真值。结果表明,该剂量率拟合转换方法结果更贴近真值。

浅谈减少工业废水中COD检测的相对误差的方法

COD是以化学方法测量水样中需要被氧化的还原性物质的量。COD可导致一般的水中生物都无法生存,生物死亡后它们的尸体又无法被充分氧化,就会被一些厌氧菌不完全氧化,产生很多有机毒物,生物毒性的物质,进入自然水体后,破坏水体平衡,造成除微生物之外几乎所有生物的死亡,不仅危害水体的生物,而且还可经过食物链的富集后进入人体,引起慢性中毒。工业废水处理前后会对COD值进行检测,由于工业废水中大量的Cl-对检测会产生干扰,通常情况下使COD测定结果偏高。通过增加HgSO_(4)使用量和加入AgNO_(3)来消除Cl-的干扰,大大减少了工业废水中COD检测的相对误差。

从“相对误差”谈收尾速度的合理性设问——以导体棒平动切割磁感线为例

针对一道电磁感应中导体棒切割磁感线平动时的收尾速度题目出现的科学性错误,给出了用相对误差在解决数据不自洽时的修改建议,为科学命制此类试题提供参考。

浅谈水尺计重的相对误差

水尺计重作为船舶载运货物计算重量的方法之一,其准确性直接影响贸易相关方的合法权益。为了将水尺计重方法计算的货重更接近货物的真实重量,就要了解造成水尺计重相对误差的因素。本文通过分析造成水尺计重相对误差的7个因素,指导鉴定如何减小这些因素对水尺计重的相对误差,从而提高水尺计重的准确性,使水尺计重结果更接近货物的真实重量。

乘积模型的最小二乘相对误差估计

文章提出了一种基于最小二乘准则下的乘积模型的相对误差估计方法。该方法的目标函数是光滑的凸函数,所得到的估计量具有强相合性和渐进正态性,估计量的渐进方差可以用插入法直接估计。模拟结果显示所提方法与其他同类方法比较具有一定的优势。

双模型结合进一步降低预测均方根误差和均方根相对误差的方法

前期研究工作提出了以预测均方根相对误差最小为回归目标的方法(Minimization of prediction relative error,MPRE),它能使得预测结果的均方根相对误差更小。偏最小二乘法(Partial least squares,PLS)是以预测均方根误差为回归目标,能使得预测结果的均方根误差更小。基于多模型结合的思想,提出将MPRE与PLS相结合的双模型结合多元校正方法。本方法步骤为:(1)分别采用MPRE与PLS法对校正集建模;(2)计算阈值;(3)分别采用已建立好的MPRE与PLS模型进行预测;(4)将预测结果与阈值进行比较,得到预测结果。通过对酒精的近红外光谱与汽油紫外光谱进行定量分析结果表明,本方法可进一步减小预测均方根误差与相对误差。

基于相对误差的线性组合预测研究

在讨论传统的组合预测方法的基础上,对相对误差准则下的线性组合预测进行了研究和推广。分别以"相对误差平方之和最小"、"相对误差之和最小"和"最大相对误差最小"为准则,给出了9个线性组合预测模型,其中有6个线性组合预测模型是新提出的,并且讨论了模型的解法。以美国加州电力日均价为例,给出了9种线性组合预测模型的预测结果,验证了新模型的精确性和优越性。

基于相对误差的曲线最小二乘拟合

分析了最小二乘法的研究历史与现状,给出了高斯最小二乘法的几种研究思路,但是这些研究方法都没有考虑到高斯最小二乘法本身的缺陷。将通过一个实际的算例来分析高斯最小二乘法的缺陷基于绝对误差大体相同的前提之下,否则会产生很大的误差。在绝对误差相差不多的情况下,较小的数据的有可能产生较大的相对误差,这显然与实际情况不符。但通常情况下,观测数据往往按被观测量的相对误差进行评价,也就是说,被观测量越大,允许的实际观测量的误差也越大。从这个角度出发,将给出改进的最小二乘法。同时,从理论上证明其对应的法方程组的解是存在且唯一。最后给出相应的仿真算例,与高斯最小二乘法作比较,得到较好的结论。

相对误差直线回归模型两种参数估计方法的比较

最小二乘法的原理是观察值与拟合值的绝对误差平方和最小,其评价依据是针对等精度数据而言的,即观测数据具有大体相同的绝对误差,这些误差服从均值为0的正态分布。然而大量的科学研究的观测数据的误差往往是相对误差,即被观测量愈大,允许的实际观测误差也愈大。例如,医学应用中,浓度测定的标准曲线,样品测定的准确度和精度是以相对误差为依据的,这样的数据用通常的最小二乘法将导致参数估计的不准确,

一种基于失效概率相对误差估计的可靠性分析方法

为更高效地分析复杂机械结构的可靠性,提出了一种新的基于Kriging模型和失效概率相对误差估计的自适应分析方法.采用泊松二项分布的近似正态分布推导了样本符号不确定区域内真实失效样本数的取值范围,并通过引入比例因子重新定义取值下限,以确保真实失效样本数准确落在确定的区间内,进而给出了一种更精确的失效概率相对误差的估计.采用学习函数U实现自适应试验设计.通过两个算例验证失效概率相对误差估计和自适应分析方法的准确性、通用性及高效性,结果表明:本文方法不仅能准确估计失效概率的相对误差,而且显著减少了功能函数的调用次数.

基于相对误差平方和的BP算法

考虑到在很多情况下 ,人们更关心预报模型的预报值与实际值的相对误差情况 ,从而该文采用实际输出与希望输出的相对误差的平方和作为目标函数 ,给出了一种基于相对误差平方和为最小的BP算法。考虑到网络的实际输出值介于 0到 1之间 ,该文对实际问题的理想输出值给出了一种规范化处理方法。通过大量算例检验证实 ,在基于相对误差平方和为检验标准前提下 ,利用该文所给算法求得的拟合值或预报结果要优于传统的基于绝对误差平方和作为目标函数的BP算法所得结果。

相对误差受限的数据流流量测量算法

数据流流量测量的精度采用错误概率和相对误差进行衡量。现有的流量测量算法主要关注如何降低错误概率,而对如何减小相对误差则缺乏研究。考虑到减小相对误差对于流量计费等应用的重要意义,提出了一种相对误差受限的数据流流量测量算法MT-dlCBF(Multi-Tier d-left Counting Bloom Filter)。MT-dlCBF由多层dlCBF(d-leftCounting Bloom Filter)构成,且随着层数的提高,dlCBF中数据流指纹长度和流量计数器宽度也逐步增加,这样,可减轻长流对于短流的干扰,从而达到减小相对误差的目的。理论分析和仿真实验的结果表明,与dlCBF相比,MT-dl-CBF的错误概率略有增大,但相对误差显著减小。此外,在典型的参数条件下,MT-dlCBF的空间效率略优于dlCBF。

基于优化的相对误差意义下的数据拟合

本文从最小二乘法为一类优化问题出发,探讨了其它范数下的数据拟合,给出了相对误差意义下的数据似合方法。

电子配料秤的单次称量相对误差

定义了电子配料秤单次称量相对误差。通过对某饲料厂自动配料系统的生产查定 ,对获得的配料称重参数进行统计分析 ,发现该例静态精度为 0 .1% ,单批最大称量为 5 0 0kg的电子配料秤的批次称量相对误差平均值为 0 .13% ,而单次称量相对误差平均值为 2 .35 % ,统计得到的单次称量相对误差可能达到的最小期望值为 1.92 %。

对预测模型误差的分析——相对误差与绝对误差

文章介绍了预测模型的相对误差和绝对误差,对于常用的线性预测模型和非线性预测模型的线性化和由此产生的误差类型进行了分析,并分别介绍了在两种误差情况下预测模型无偏性调整的方法。

基于相对误差平方和的神经网络预测镁合金多轴疲劳寿命

提出一种以相对误差平方和(Surm squared relative error,SSRE)作为误差性能函数的反向传播(Back propagation,BP)神经网络算法(SSRE-BP),针对3种不同镁合金AZ31B、ZK60和AZ61A在单轴拉压、纯扭、45°比例和90°圆形非比例等4种不同加载路径下的疲劳寿命进行预测。并与以均方误差(Mean squared error,MSE)作为误差性能函数的传统BP神经网络(MSE-BP)以及基于临界平面法的SWT疲劳损伤模型预测的结果进行比较。结果表明,在3种镁合金材料总共138组疲劳数据中,神经网络只有一组预测值在3倍偏差界限外,而用SWT预测结果分别有16组、13组、10组数据在3倍偏差界限外。两种BP神经网络能够较好地预测镁合金不同加载路径下的疲劳寿命,相比于SWT疲劳模型预测的寿命在精度上有较大幅度的提升。其中,SSRE-BP算法的精度略高于传统的MSE-BP算法。

模糊运算的相对误差分析

合理地解释定量模糊运算的语义是必要的．通过使用最小二乘法对常见的模糊运算进行相对误差分析，可以发现在总体上这些运算与它们的平均值十分接近．

利用相对误差最小二乘法估计材积方程参数

提出了利用相对误差最小二乘法估计材积方程参数的方法，讨论了该方法与加权最小二乘法估计材积方程参数的某些一致性。该方法在一定程度上克服了材积方程模型的异方差性，使建立的材积方程较大地降低了平均相对预测误差。