基于多气象类型加权和改进高斯混合模型的光伏出力超短期概率预测

提出一种多气象类型加权和改进高斯混合模型,可实现对光伏出力提前15 min的超短期概率预测。首先,依据气象特征将历史数据划分为若干气象类型,然后,构建改进高斯混合模型获得每个气象类型出力数据的概率分布,其次,构建隶属度函数量化待预测时刻气象特征对于各气象类型的相似程度,最后,根据隶属度对各气象类型的概率分布加权。以实际光伏电站数据进行算例分析,结果表明相较于单一气象类型,多气象类型加权模型的MAPE平均减少16.87%,ACD平均提升10.45%,AW平均下降2.49%。

基于高斯混合模型及EM算法的建筑工程数据预警治理方法

结合初期雨水调蓄大直径顶管工程的实际设计及施工经验,对软弱地层条件下长距离大直径平行双管曲线顶管在设计及施工过程中存在的重点难点问题进行总结,并对顶管过程中的顶力及管周摩阻力做了深入分析研究,有针对性地提出了相应的解决方案,使该顶管工程顺利贯通。建筑工程行业在现代社会中发挥着重要的经济和社会作用,然而,它也伴随着诸多风险和不确定性。为了有效地管理和预测这些风险,本文提出了一种基于高斯混合模型(GMM)和期望最大化(EM)算法的数据预警治理方法。该方法旨在通过对建筑工程数据的建模和分析,提前识别潜在的问题和风险,从而改善工程项目的管理和决策。

高斯混合模型下建筑工人高空作业失稳检测方法

为防止施工现场高处坠落事故,实现个性化矫正管理,在考虑个体异质性对运动信号造成的差异化影响基础上,提出一种基于高斯混合模型(GMM)的实时检测方法,可及时识别建筑工人高空作业失稳状态。首先,采用姿态传感器实时采集加速度和角速度数据,以刻画建筑工人的高空作业姿态特征;然后,基于GMM算法,建立建筑工人高空作业的个性化失稳检测模型,获得个性化阈值,以判断姿势失稳状态;最后,通过试验对比基于个体数据集和公共数据集2种方式构建的模型。研究结果表明:生成的个性化检测模型在准确度P、召回率R和综合评价指标F 1值上,均远优于公共数据集模型,具有更好的个性化检测效果。该失稳检测方法能够从工人的作业姿态习惯探究个性化的高空失稳风险,促进差异化安全预控和精准化安全培训。

基于高斯混合模型GMM的说话人识别方法

高斯混合模型(GMM)是一种经典的说话人识别算法,本文在实现其算法的同时,主要模拟了不同噪声环境情况下高斯混合模型(GMM)的抗噪声性能,得到了一些有益结论。

基于对比度分析及矢量匹配的混合高斯模型

针对经典的混合高斯背景建模算法鲁棒性不强且背景建模实时性不足的特点,提出了一种改进方法。首先将图像矢量化,即将图像分成若干块,每一块图像作为一个矢量进行整体建模;然后对于每一个图像块基于其反差描述元与K个高斯模型进行匹配。实验结果表明,改进的算法降低了环境光变化和背景波动等因素的干扰且建模速度较快。

融合K-means与高斯混合模型的驾驶风格聚类研究

为研究驾驶员的跟车特性,探究驾驶员风格划分方法,采集50名驾驶员的实车试验数据,选取平均跟车时距和平均制动时距为二维向量,建立基于K-means聚类结果的高斯混合模型(GMM)并分析不同风格驾驶员的聚类结果。研究表明:样本数据聚为3类时的平均轮廓系数为0. 45,将驾驶员划分为冒进型、平稳型、保守型3类时聚类效果较好;冒进型驾驶员倾向于选择较小的跟车时距和制动时距,保守型驾驶员的跟车及制动时距则普遍较大,模型聚类结果更加柔性,样本区分度更高。

邻域约束高斯混合模型的模糊聚类图像分割

针对传统模糊聚类分割方法无法有效模拟数据分布特征的问题,提出基于邻域约束高斯混合模型的模糊聚类图像分割算法.利用高斯分布刻画聚类内像素光谱测度统计特征,定义像素与其邻域像素相关性的先验概率,并作为高斯混合模型中各高斯分量权重系数,构建包含特征场邻域作用的高斯混合模型.利用高斯分量描述像素与聚类间的非相似性测度,建立基于高斯混合模型的模糊聚类目标函数.在传统模糊聚类方法基础上,采用高斯混合模型定义像素与聚类间的非相似性测度,并在高斯混合模型中融入邻域作用,有效解决数据具有多峰值特征的问题.最后通过实验验证文中算法的准确性.

基于高斯混合模型的语音带宽扩展算法的研究

为了降低高带谱失真,研究了带宽扩展算法中特征参数与高带谱包络的互信息和高带谱失真之间的函数关系,并在此基础上提出了一种扩展高斯混合模型带宽扩展算法。首先,算法选择与高带谱包络互信息大的参数构成特征矢量,并根据高斯混合模型计算特征矢量与高带谱包络的联合概率密度。其次,采用Expectation-Maximization(EM)算法估计高斯分量模型参数并计算后验概率。最后,通过后验概率估计高带谱包络。实验结果表明,与传统的高斯混合模型带宽扩展算法相比,本文算法可降低0.3 dB的高带平均谱失真,将谱失真大于10dB的语音帧减少了50%以上。

基于高斯混合模型的轨迹模仿学习表征参数优化

针对高斯混合模型(Gaussian mixture model,GMM)参数选取效率较低的问题,提出了一种在基于GMM的轨迹模仿学习表征中综合求解GMM参数估计的方法.该方法基于多中心聚类算法中的最大最小距离算法改进kmeans算法,得到最优初始聚类中心,并基于贝叶斯信息准则(Bayesian information criterion,BIC)通过遗传算法优化求解,同时获取GMM的4个重要参数.该方法通过提高划分初始数据集的效率,在优化初始聚类中心基础上确定混合模型个数,有效地避免了因为初值敏感而导致的局部极值问题.通过多组仿真实验验证了该方法的有效性.

基于高斯混合模型的非母语说话人口音识别

针对云南境内白族、纳西族、傈僳族 3 个典型的少数民族及汉族普通话语音,采用了高斯混合模型来训练每个民族的口音模型,并用少量的测试语音来获得较为满意的口音分类识别率,目的在于探索降低非母语口音话者语音识别错误率的有效途径。该文通过实验给出,对云南民族口音汉语普通话口音识别,当混合数为 16,语音特征采用 39 维 MFCC 及其一阶、二阶差分参数时,口音识别正确率可达90.83%。

嵌入自联想神经网络的高斯混合模型说话人辨认

该文提出了一种嵌入自联想神经网络的高斯混合模型,它充分利用了神经网络和高斯混合模型各自的优点,以最大似然概率(ML)为准则,把它们作为一个整体来进行训练。训练过程中,高斯混合模型和神经网络的参数交替更新。由于神经网络起到了"数据整形"的作用,因而提高了类内数据的相似性。实验结果表明,采用该文提出的模型在各种信噪比情况下的识别率都比基线系统有所提高,最高能达到19%。

嵌入时延神经网络的高斯混合模型说话人辨认

提出了一种在高斯混合模型中嵌入时延神经网络的方法。它集成了作为判别性方法的时延神经网络和作为生成性方法的高斯混合模型各自的优点。时延神经网络挖掘了特征向量集的时间信息,并且通过时延网络的变换使需要假设变量独立的最大似然概率(ML)方法更为合理。以最大似然概率为准则,把它们作为一个整体来进行训练。训练过程中,高斯混合模型和神经网络的参数交替更新。实验结果表明,采用所提出的模型在各种信噪比情况下的识别率都比基线系统有所提高,最高能达到21%。

一种新的高斯混合模型参数估计算法

该文提出了一种高斯混合模型(GMM)参数估计的改进算法.原始的特征向量先经Schmidt正交化消除各维间的相关性,再用数学形态学方法估计出各维概率分布中混合分量的真实个数,最后按真实的混合分量个数用EM算法对各维分别作标量GMM参数估计.该方法能缓解GMM传统参数估计算法引起的“不易扩展”的不便.实验结果表明,将其应用于说话人辨认,能在较大幅度提高训练速度的基础上相对传统GMM参数估计方法获得更高的识别率.

基于SVM-GMM混合模型说话人辨认的研究

建立一种新的混合模型—SVM-GMM模型,用以提高说话人辨认的识别率。阐述高斯混合模型(GMM)和支持向量机(SVM)建立的基本原理,分别指出高斯混合模型和支持向量机在实际应用中的不足之处,并针对两种模型的特点,提出将GMM模型的输出机制引入到SVM模型中,以便于调整支持向量机(SVM)模型的概率输出,并建立SVM-GMM混合模型。通过实验对比,验证使用SVM-GMM模型能有效地提高系统识别率。

基于高斯混合模型的遥感信息提取方法研究

高斯混合模型(Gaussian mixture model,GMM)可以描述遥感数据的概率密度函数,通过估计各高斯分布的参数,计算后验概率,实现信息提取。为了提高利用GMM进行遥感信息提取的准确度,首先在GMM中使用马尔科夫随机场(Markov random field,MRF)计算各像元邻域内各类地物的先验概率,代替各类地物的混合概率,使其反映出各类地物的空间相关性;然后在参数估计过程中利用模拟退火(simulated annealing,SA)思想获得全局最优的参数估计值;最后利用该参数估计值求出每个像元对于各类地物的后验概率,获得各类地物的空间分布。通过对遥感实验场的图像数据进行信息提取,发现所述新方法取得了更好的效果,证明了上述改进的有效性。

基于高斯混合模型Varian NovalisTX直线加速器盆腔肿瘤放疗摆位误差分布预测模型的构建

【目的】构建Varian NovalisTX直线加速器盆腔肿瘤放疗摆位误差分布预测模型。【方法】选取加速器治疗30例盆腔肿瘤患者先验IGRT摆位误差数据,采用高斯混合模型构建误差分布预测模型,并求解分析模型参数。【结果】由模型参数可知摆位误差主要往μ1～μ4四个中心点方向集中;中心点坐标表明误差在Vrt方向(-3.88～4.28)mm和Lng方向(-2.41～1.54)mm较大,Lat方向(-1.85～0.72)mm较小;误差可能性往μ2和μ4中心(0.301、0.310)较μ1和μ3中心(0.190、0.196)大;摆位误差标准差可达5.2 mm。【结论】高斯混合模型对盆腔摆位误差分布进行定量描述和预测分析,为缺少IGRT的盆腔肿瘤放疗摆位误差控制及肿瘤计划靶区外扩提供参考。

基于高斯混合模型的非高斯振动疲劳频域求解方法

很多机械结构在工作环境下经受的随机载荷有着较强的非高斯性,按照传统的高斯假设对这些结构进行疲劳计算会带来很大误差。针对非高斯载荷下结构疲劳寿命难以预测的问题,提出了一种非高斯随机载荷下对结构进行疲劳计算的频域方法。首先引入高斯混合模型(Gaussian mixture model,GMM)对载荷进行描述,并使用期望最大(expectation maximization,EM)算法对模型参数进行求解,建立的模型可以准确描述单峰及多峰非高斯载荷。在此基础上结合Tovo-Benasciutti方法推导出一种多峰非高斯载荷下的频域疲劳计算方法。为了对该方法进行验证,对一个双峰分布的非高斯载荷信号进行了疲劳分析,以雨流计数法作为参考,结果表明在双峰非高斯载荷下,对多种材料,该方法与直接使用传统频域疲劳计算方法相比计算精度提升明显,验证了该方法的精确性及较广的适用性。

基于高斯混合模型和深度神经网络的大型船舶主机功率预测(英文)

船舶主机功率是预测航行油耗、评估船舶废气排放中的一项重要数据。然而,未知的船舶主机功率数据对基于大数据的船舶油耗及排放预测产生了障碍。为了解决这一问题,本文提出基于高斯混合模型(GMM)和深度神经网络(DNN)的大型船舶主机功率预测方法。首先对船舶特征进行相关性分析,选择与主机功率相关系数较大的船舶特征作为GMM-DNN混合模型的输入,然后使用GMM对船舶特征进行聚类,将聚类结果作为标签和船舶特征一起作为DNN的输入,最后使用Adam-Dropout优化DNN,并用DNN对船舶功率进行预测。为了探究方法的有效性,本文比较了多元线性回归分析、非线性回归、DNN、GMM-DNN在船舶主机功率上的预测效果。实验表明,GMM-DNN模型在船舶主机功率预测上表现最好,其平均绝对误差MAPE为14.57%,比多元线性回归、非线性回归和DNN分别低28.27%、23.36%和1.24%。

群稀疏高斯洛伦兹混合先验超分辨率重建

为了得到置信度更高的超分辨率先验模型,实现重建结果在噪声和细节之间的平衡,建立了基于混合稀疏表达框架下的高斯⎯洛伦兹混合先验模型。研究了该先验模型在超分算法中的应用优势和具体的应用方案。首先,根据先验信息的类型介绍了一些超分辨率算法的优势和问题。接着,提出对图像不同分量的统计特点进行单独建模的应用方法。然后,在分析了混合稀疏框架、高斯吉布斯先验和洛伦兹先验的基础上,说明了基于群稀疏框架下的高斯⎯洛伦兹混合先验的超分辨率算法。最后,介绍了具体实现环节和最终迭代方案。实验结果表明,本文基本完成了在重建过程中保持细节的同时抑制噪声的改进目标,可以用于更多复杂环境的超分辨率重建要求。

基于高斯混合模型的汽轮机振动故障诊断

采用高斯混合模型(GMM)与小波包分析相结合的方法,对汽轮机振动故障进行了诊断研究。首先对振动故障信号进行小波包分解,去除干扰信号,提取包含故障特征信息的频段作为故障特征矢量。以此特征矢量建立GMM,并用建立的模型识别各种故障。利用在Bently实验台上测得的实验数据进行建模及故障识别。计算结果中,当模数M=12时,GMM识别故障的正确率约80%～90%,表明GMM结合小波包分析进行汽轮机振动故障诊断的方法能取得较好的效果。