基于自适应双向加权最小二乘支持向量机的超短期负荷预测

应用模糊加权最小二乘支持向量机对超短期负荷进行预测,为了体现离预测点越远的历史负荷数据对预测点负荷值的影响越不明显的特点,即'近大远小'的原则,在双向,即横向(输入样本)与纵向(训练样本集)引入时间域的隶属分布。并用快速留一法在线优化模型的参数,实现了相关参数的自适应选择,克服了应用固定系数进行预测的缺点。应用某地区的负荷数据进行了仿真预测,并应用不同的方法进行了对比。结果表明,所提出的方法与传统方法相比提高了超短期负荷的预测精度。

不确定环境下移动对象自适应轨迹预测方法

已有的轨迹预测方法难以对移动对象运动轨迹进行准确地描述,尤其在复杂且不确定的车载自组织网络(vehicular ad hoc network)(也称车联网)环境中.为了解决这一问题,提出基于变分高斯混合模型(variational Gaussian mixture model,VGMM)的环境自适应轨迹预测方法 ESATP(environment self-adaptive prediction method based on VGMM).首先,在传统高斯混合模型的基础上使用变分贝叶斯推理近似方法处理混合高斯分布;其次设计变分贝叶斯期望最大化算法学习计算高斯混合模型参数,有效运用参数先验信息得到更高精度预测模型;最后,针对输入轨迹数据特征,使用参数自适应选择算法自动调节参数组合,灵活调整混合高斯分量的个数和轨迹段大小.实验结果表明:所提方法在实验中表现出较高的预测准确性,可应用于车辆移动定位产品中.

采用SJND模型的动态点云感知编码方法

动态点云能有效描述自然场景与3D对象,提供沉浸式视觉体验;但其数据量庞大。需对其进行有效压缩。提出了采用显著性引导的恰可察觉失真(Saliency-guided Just Noticeable Distortion,SJND)模型的动态点云感知编码方法。针对纹理图感知冗余,构建了基于离散余弦变换域的SJND模型,应用于纹理图编码过程中的DCT系数抑制;考虑到相同失真等级下显著区域的几何失真更易被察觉,提出使用投影显著图将几何图进行分层;最后,为不同层级的编码树单元进行自适应量化参数选择和编码。与V-PCC标准方法相比,在保证动态点云视觉质量的前提下,所提出方法提升了动态点云的编码效率。

基于S变换和变分法的品质因子Q估计方法

品质因子Q是定量描述黏弹性衰减的重要参数,准确估计Q值有利于储层识别、烃类检测,还可用于反Q滤波来提高地震资料的分辨率。传统的Q值估计方法包括对数谱比法、中心频率偏移法和峰值频率偏移法等,其中对数谱比法的抗噪性较差,而中心频率偏移法和峰值频率偏移法则存在依赖地震子波类型的问题。针对这些问题,提出一种基于S变换和变分法提取品质因子Q的方法。首先,通过研究非平稳褶积模型,推导出非平稳地震数据在S变换域的近似表示形式;其次,在近似表示的基础上,建立了关于品质因子Q和地震子波的目标函数,并基于变分法最小化目标函数,得到Q值估计表达式;最后,为了提高该方法的准确性与抗噪性,设计了一种自适应积分区间选择的方案,该方案可根据地震数据的时频谱自动计算积分区域的频率参数。模型算例测试结果表明,所提出的Q值估计方法不依赖于地震子波的类型和窗函数的长度,同时对噪声具有较好的鲁棒性。实际数据计算结果进一步验证了该方法在Q值估计中的有效性。

基于新型相似性测度的高光谱影像地物检测

提出了一种新型光谱相似性测度及其参数的自适应选择方法,并且将其应用到了高光谱影像地物检测中。由于这种相似性测度基于光谱角度余弦(SAC),因此在理论上对因光照强度变化、阴影和遮挡等引起的同种地物光谱变化的适应性较强。最后利用两幅高光谱影像进行了实验分析,实验结果证明提出的方法不仅能扩大阈值取值区间,而且可提高检测的精度。

基于球形加权结构相似度的全向视频编码率失真优化方法

针对传统视频编码中编码率失真模型的不足,考虑等矩形全向视频的特征,提出一种基于球形加权结构相似度(WS-SSIM)的全向视频编码率失真优化方法。通过考虑投影平面内部结构相似度的失真情况,以及球面失真与投影平面失真的关系,提出"球形加权结构相似度"来描述平面全向图像局部块相对于观看球面的失真程度,将其应用于全向视频编码的率失真优化过程并自适应选择量化参数,以提高基于视觉的编码效率。实验结果表明,与HEVC视频编码标准的HM16.9测试平台的方法相比,所提出方法在相同视觉质量下可平均节省24.48%的码率,说明该方法对于提高全向视频编码率失真性能具有显著的效果。

融合强化学习与变邻域搜索的柔性作业车间调度研究

针对柔性作业车间调度问题,以完工时间最小化为目标,提出一种融合强化学习的变邻域搜索算法,提升算法求解性能。基于皮尔逊相关性分析,提炼出工序加工时长这一关键特征,设计一种优先考虑加工时长的邻域结构,精炼搜索空间。基于强化学习,设计算法进化状态集、关键参数动作集和奖励机制。提出改进的ε-贪婪策略来选择动作,随着ε取值的自适应变化,算法前期倾向于探索新解,后期注重利用邻域解,最终构建起算法状态与算法参数的关系,实现了算法参数的自适应选择。结果表明,所提算法利用强化学习动态调整算法参数,在解的寻优能力和稳定程度上更具优势。

基于神经网络的递推分块方法求任意高阶多项式的根

提出一种新的基于约束学习神经网络的递推分块方法,来分批(块)求解任意高阶多项式的任意数(小于多项式的阶)个根(包括复根).同时给出了基于多项式中根与系数间的约束关系构造的用于求根的BP网络约束学习算法,提出了对应的学习参数的自适应选择方法.实验结果表明,这种分块神经求根方法,相对传统方法,能够快速有效地获得任意高阶多项式对应的根.