基于异质矩阵完全的缺失数据恢复混合集成算法

缺失数据广泛存在于现实世界中,它对后续的数据分析有很大的影响,有可能导致结果完全错误。近年来,很多基于压缩传感理论的矩阵完全算法被提出并用于缺失数据恢复,但不同的算法在不同的数据集上产生的结果有很大不同,都有自己的优缺点和适用场景。为此提出一种基于异质矩阵完全算法和最大多样性的集成策略的混合集成学习算法,实验结果表明,此算法在不同的数据集上优于那些单个算法。

基于迭代自适应方法的跳频信号缺失数据恢复

在复杂电磁环境下,通信信号侦察系统在侦收跳频通信信号时经常存在数据缺失的严重现象,因此实现缺失数据恢复具有重要的军事应用意义。针对常规数据恢复算法随着缺失比例升高性能急剧降低的问题,提出了一种基于迭代自适应方法(Iterative Adaptive Approach,IAA)的跳频信号缺失数据恢复算法。根据跳频信号短时间内可作为平稳信号处理的特征,算法选择加权最小二乘准则,利用系统获取的有效数据采用迭代自适应方法进行信号谱估计,然后基于最小二乘准则进行缺失数据恢复处理。通过仿真分析比较,在同等信噪比、缺失率条件下,所提算法比常规缺失数据恢复算法MAPES(Misssing-data Amplitude and Phase Estimation)具有更优的缺失数据恢复性能。

基于长短期记忆网络的电力系统量测缺失数据恢复方法

随着电力系统规模不断增大,电力系统量测数据呈现快速增长趋势。然而海量数据的采集、测量、传输和存储等过程均可能出现数据缺失问题,从而威胁电网安全。针对电力系统量测缺失数据问题,文章提出了一种基于长短期记忆(long short-term memory,LSTM)网络的缺失数据恢复方法。首先,基于LSTM网络具有提取电力系统量测数据时序规律的特性,提出一种双层全连接LSTM网络模型,利用已知数据建立对缺失数据的映射。其次,为提高系统不同数据状态下的恢复精度,提出了一种随机森林状态辨识方法和考虑缺失数据位置的恢复策略。最后,利用仿真数据和实测数据验证该方法的有效性和准确性,结果表明该方法无需系统拓扑参数即可显著提高电力系统量测数据质量。

基于联合概率分布和置信边界模型的风力发电机功率曲线自适应修正算法

数据驱动的风电机组功率曲线在许多领域都发挥着重要的作用。为改进数据质量,需要合理地消除无效和非自然的数据。在变桨距风力机的分区运行区域中,通过期望最大化来估计阿基米德Copula函数的加权混合以建立联合概率分布,从而提出一种基于置信边界的功率曲线建模方法来识别异常数据,并建立一个自适应建模评价系统。应用一种双向马尔可夫链插值方法恢复连续丢失的数据。通过算例分析验证了该方法的有效性。