基于相似日的Grey-Markov与BP_Adaboost的短期光伏功率预测

针对相似日对光伏功率预测精度的影响,提出基于相似日的Grey-Markov与BP_Adaboost的光伏功率预测方法。为获取不同相似日,分别以辐照度和温度为相似变量,通过二维欧氏距离选取两组相似日;基于两组相似日数据,用灰色GM(1,1)模型预测光伏功率的总体趋势,用马尔科夫链对灰色模型的预测结果进行修正,得到两组预测结果;用BP_Adaboost对两组预测结果进行集成,以获得更高的预测精度。仿真结果表明,该方法提高了结果的预测精度与鲁棒性,可为光伏电站并网提供重要参考信息。

基于半监督BP_Adaboost的农机作业效益评估

为提升农机管理水平和用户收益,该研究利用影响作业效益的因素,以每台农机一天的作业信息作为一条数据评估农机当天作业效益。作业信息包括农机作业效率、油耗、作业质量、重复作业率、遗漏作业率、有效作业时间占比等。使用半监督BP_Adaboost方法对农机作业效益进行评估,对部分数据进行人工评分,根据评分结果标记农机每天作业效益的好坏,其中一部分作为训练样本,另一部分作为测试样本,再利用BP_Adaboost方法训练模型后对剩余未评分数据预测,以减少训练样本的人工标记工作量和提高模型准确性。从32000条深松作业数据中选取1000条样本进行标记,其中500条作为训练样本,500条作为测试样本,使用BP_Adaboost方法得到的模型预测准确率为93.36%,使用半监督BP_Adaboost方法增加训练样本得到的模型预测准确率为97.03%。根据作业效益推荐最优农机机具组合,增强作业能力,提高效益。

优化BP_AdaBoost算法及其交通事件检测

为了及时检测出高速公路上发生的交通事件,减少由于交通事件带来的损失,提出了一种基于遗传优化的BP_AdaBoost算法用于交通事件检测.提取高速公路上下游的车流量、车速与占有率作为BP(back propagation)神经网络的输入值,利用遗传算法全局搜索的性能优化BP神经网络初始连接权值和输出阈值,再通过多个新的BP神经网络弱分类器构建成AdaBoost强分类器,设计基于遗传算法优化BP_AdaBoost算法的交通事件分类器.以在东京高速公路采集的真实数据进行性能验证,试验结果表明,该算法可以提高BP弱分类器的性能,检测率达到97%,误报率降至3.34%,适用于高速公路交通事件的检测.

基于LLE降维和BP_Adaboost分类器的GIS局部放电模式识别

在气体绝缘组合电器(gas insulated switchgear,GIS)实体模型中分别放置了针-板、悬浮金属颗粒和绝缘子表面固定金属颗粒放电模型,用超声波传感器采集到其放电波形。对放电波形提取的特征向量进行局部线性嵌入(local linear embedding,LLE)算法降维处理,用降维后的向量作为输入对BP_Adaboost分类器进行训练和测试类型识别。识别结果表明,用这样方法进行GIS绝缘缺陷类型识别可以在减少计算量的同时保持较高的识别率,说明了其在局部放电模式识别应用中的有效性。

BP_Adaboost预测模型结合遗传算法在鸡腿菇生长环境寻优中的应用

针对试验中使指标达到最佳值的最优因素组合的问题,提出了一种基于BP_Adaboost的预测模型结合遗传算法的求解方法,并在鸡腿菇生长环境寻优中进行实际应用。结果表明,与BP神经网络相比,该模型提高了预测精度和泛化能力,为解决此类寻优问题提供了可靠的参考,具有较好的应用前景。

基于小波包BP_AdaBoost算法的机载燃油泵故障诊断研究

针对机载燃油泵故障数据少、诊断效率低、维护成本高、缺乏有效诊断方法的问题,搭建了机载燃油泵燃油转输系统实验平台,提出利用小波包分析进行特征提取和基于BP_AdaBoost机载燃油泵故障诊断方法。首先测量燃油泵7种典型状态模式所对应的振动信号和出口压力信号;然后在分析信号时频特性和统计特性的基础上,利用小波包分解提取振动信号不同频段能量值作为故障特征参数,结合振动信号峭度以及压力信号均值构造特征向量;最后利用特征向量训练和验证BP_AdaBoost分类模型。实验结果不仅优化了传感器,而且表明BP_Adaboost算法与SVM、BP算法相比,能够有效实现对机载燃油泵的故障诊断。

基于BP_Adaboost算法的风电机组叶片结冰检测

精准预测冬季风电机组是否处于叶片结冰状态成为亟待解决的技术难题。Adaboost算法具有预测精度高、可使用简单弱分类器等优点。文章在传统BP神经网络算法的基础上,提出了BP_Adaboost算法精准预测风电机组是否处于叶片结冰状态。首先,将SCADA历史监测的相关信息进行重采样;其次,运用BP_Adaboost算法对叶片状态进行预测;最后,选择6台风电机组的历史数据进行实验验证。实验结果表明,由BP_Adaboost算法构建的强分类器在检测风电机组是否处于叶片结冰故障时,比BP神经网络构成的弱分类器平均得分高12%左右。BP_Adaboost算法已在部分风电场进行了实际应用。

BP_Adaboost算法的改进及在首轮融资时总票房分类预测中的应用

为获得改进的分类算法BPAdaboost,利用思维进化算法(MEA)和列文伯格-马夸尔特算法(LM)结合改进的BP神经网络作为弱分类器,由改进的弱分类器集成得到MEA-LM-BPAdaboost算法。提出了基于MEA-LM-BPAdaboost算法的首轮融资时总票房分类预测方法,该方法包括变量选取及操作化处理、网络参数优化、MEA改进弱分类器、LM算法改进弱分类器、MEA-LM-BPAdaboost算法的流程设计、待预测电影验证6个部分。选用2013~2018年的245部国产电影作为样本验证该预测方法和模型,测试集分类准确率可达73.3%。最后在模型准确率、稳定性、K折交叉验证3方面进行模型整体性能比较,结果表明本文提出的模型整体性能最好。

基于预测模型的BP_Adaboost算法改进

针对BP_Adaboost算法预测精度不高的问题,对算法作了改进:先用遗传算法对每个BP神经网络弱预测模型进行优化;然后把优化后的BP神经网络模型看作为新的弱预测器;再通过BP_Adaboost算法,用多个被遗传算法优化后的BP神经网络弱预测器组成强预测器模型;最后加权整合优化后用2 000组随机数据验证改进后算法的预测精度,用Matlab程序仿真实现改进后的BP_Adaboost算法,并与改进前的BP_Adaboost算法作比较。程序运行结果表明,改进后的BP_Adaboost算法预测精度有了明显提高。

基于改进粒子群优化BP_Adaboost神经网络的PM_(2.5)浓度预测

为了提高大气污染物浓度预测精度,采用灰色关联分析选取影响大气中PM_(2.5)浓度的主要因子,并以此作为神经网络输入变量,建立一种基于BP_Adaboost神经网络的PM_(2.5)浓度预测模型.用改进粒子群算法来选择BP_Adaboost神经网络权重和阈值,可以有效避免神经网络在训练时陷入局部最优解.根据北京市海淀区万柳监测站和朝阳区北京工业大学监测点每小时监测的大气污染物浓度和气象条件,分别选择2014-11-01~2014-11-25和2017-07-07~2017-08-06数据作为实验研究对象.仿真结果表明,在PM_(2.5)浓度预测中,相比于BP_Adaboost、BP和广义回归神经网络3种预测模型,改进粒子群优化BP_Adaboost神经网络预测性能更优.

基于小波能谱熵-BP_Adaboost的采煤机摇臂轴承故障诊断

针对煤矿井下工作环境恶劣,摇臂轴承经常发生故障,提出一种基于小波能谱熵-BP_Adaboost的采煤机摇臂轴承故障诊断方法。对振动信号进行小波分解,提取各小波系数的能谱熵,以此作为故障特征信息。利用Adaboost算法联合多个BP神经网络,构建BP_Adaboost强分类器。通过实验验证,该方法相比单BP神经网络识别率有很大提高,总体识别精度达到92%,其中外圈轴承故障识别率达96%,具有较好的采煤机摇臂轴承故障诊断能力。

基于BP_Adaboost的农机行驶轨迹状态识别

农业机械运动轨迹不仅包括田间作业轨迹,还包括道路行驶轨迹。有效区分农机行驶过程中田间作业和道路行驶等作业轨迹,可精确划分有效作业地块和精准评估农机作业效率,从而实现农机的远程智能管理。通过对农机轨迹点属性的分析,提取典型特征数据,利用BP_Adaboost方法建立的训练模型对农机轨迹点进行识别,将道路与田间交界处易错轨迹点重新标记后再次训练,轨迹识别正确率达96.89%。该方法既避免了传统聚类算法对阈值和参数依赖的问题,也有效解决了将道路行驶轨迹误识别为田间作业轨迹的难题。

基于BP_Adaboost模型的燃气短期负荷预测

针对神经网络在非数学模型预测中所面临的3个主要问题,提出了一种基于BP_Adaboost算法的预测模型对燃气负荷进行短期预测。预测结果表明,该模型与BP神经网络相比,不但提高了预测精度和泛化能力,而且更能满足具有非线性、时变性和不确定性的负荷预测的需要,具有较好的应用前景。

基于BP_Adaboost神经网络的船舶桨叶故障预警模型

为了提高船舶桨叶故障识别率,构建了一种基于BP_Adaboost神经网络的船舶桨叶故障预警模型。该模型首先采用数字水听器采集二进制船舶桨叶静水噪声信号,并利用MATLAB编程将二进制信号转换成WAV音频信号,通过梅尔频率倒谱系数法(Mel-Frequency Cepstral Coefficient,MFCC)提取特征值,得到36维桨叶静水噪声信号,最后运用BP_Adaboost神经网络进行分类识别预警。实验结果表明,基于BP_Adaboost神经网络的船舶桨叶故障预警模型能够高效分类预警船舶桨叶故障,与BP神经网络识别率对比,分类识别预警率高达96%。

Oil Price Forecasting Based on EMD and BP_AdaBoost Neural Network

Empirical mode decomposition (EMD) and BP_AdaBoost neural network are used in this paper to model the oil price. Based on the benefits of these two methods, we predict the oil price by using them. To a certain extent, it effectively improves the accuracy of short-term price forecasting. Forecast results of this model are compared with the results of the ARIMA model, BP neural network and EMD-BP combined model. The experimental result shows that the root mean square error (RMSE), mean absolute error (MAE), mean absolute percentage error (MAPE) and Theil inequality (U) of EMD and BP_AdaBoost model are lower than other models, and the combined model has better prediction accuracy.

新兴经济体债务危机预警指标选择及贡献度分析——基于面板Logit及BP_Adaboost模型的比较

基于面板Logit及BP_Adaboost模型分析新兴经济体债务危机预警指标体系构建及不同指标的贡献度,实证表明:单指标危机预警效果较差;相对于经典的KLR模型的指标体系而言,包含国内、中间及外在冲击三种因素的DIE指标体系预警效果更佳;非参数法虽有助于提高样本内准确率,但难以明晰变量关系及政策分析运用;危机关于国内因素及中间因素反应更大,做好本国经济稳定健康发展是首要,外部冲击有短期传染性,但长期非主导因素。

基于逐步回归分析和BP_Adaboost算法的危险驾驶行为辨识

为准确辨识车辆在行驶过程中可能出现的异常加减速,压线行驶,右侧超车驾驶行为,以便于及时给予驾驶员信息反馈和安全预警,使车辆保持安全的运行状态.首先通过虚拟驾驶仿真实验平台,采集驾驶行为的48种车辆运行数据对实验数据进行预处理,获得实验样本1492组;其次利用逐步回归分析对原始数据进行降维处理,并选取其中的最优回归模型获得特征参数;将提取的特征参数数据输入到BP_Adaboost多分类网络中,训练BP_Adaboost多分类网络,对上述驾驶行为进行识别;最后该模型与BP神经网络进行识别结果对比分析.结果表明模型识别率相较于BP神经网络提高了8.81%,达到92.93%,能进行更加有效的安全预警.

基于BP_Adaboost的道岔故障诊断研究

文章根据道岔内的控制电路和开关状态,分析监测系统的道岔动作电流,提取道岔特征输入值,对五线制道岔和交流转辙机建立道岔故障模型。先通过BP神经网络对数据训练测试分类,再通过优化过的Adaboost组成强分类器,对道岔特征量与道岔故障类型之间进行匹配分类。经过实验仿真,BP_Adaboost算法的故障识别率达到95.8%,对道岔故障诊断具有重要研究意义。

小波去噪对提高GIS超声局部放电信号识别率的研究

在气体绝缘组合电器(GIS)实体模型内部分别放置针-板、悬浮金属颗粒和绝缘子表面固定金属颗粒三种缺陷模型,用超声波传感器在相同电压下采集到良好的局部放电波形,将从现场运行设备上测得的背景噪声叠加到原放电波形上。对叠加噪声后的放电波形采用小波去噪,针对波形特点选取了7个特征参数,分别用去噪前后波形的特征参数对BP_Adaboost分类器进行训练和测试,结果表明用去噪后波形提取的特征量作为分类器输入的识别率更高。

基于核主成分分析BP＿Ada Boost算法的数控铣床故障诊断

刀具是数控铣床加工过程的关键零部件,其长期处于高速加工状态极其容易出现故障。针对数控铣床加工过程中刀具的磨损状态数据少、诊断效率低、维护成本高、缺乏有效的诊断方法的问题,提出了利用小波包分析与核主成分分析提取特征,然后利用BP_AdaBoost算法对刀具磨损状态进行诊断的方法。通过在数控铣床的加工工件与其夹具间安装测力仪及安装加速度传感器,来采集立铣刀振动信号与切削力信号;然后对振动信号与切削力信号进行小波包分析处理,将处理好的信号进行核主成分分析(KPCA),降维以后作为立铣刀磨损状态的特征向量;最后利用得到的特征向量训练和验证BP_AdaBoost分类模型。实验结果表明BP_AdaBoost算法比SVM算法能更有效实现对数控铣床的刀具磨损状态的评估。