基于K-邻近法的电网关键断面在线分布式发现方法

随着可再生能源大规模接入电网,电力系统正面临着越来越复杂的运行环境,从而对电网在线操作的时间粒度提出了更高的要求。关键断面在线发现以及其极限传输容量计算是保证大电网在线安全运行的重要手段,调度员通过调控关键断面控制电网安全、稳定运行。从数据驱动的角度出发,对电网在线运行状态建立特征集合,运用层次聚类和分布式特征选择筛选出影响断面出现与否的关键特征,随后运用二分类分布式的K-邻近法(KNN)建立特征集合与断面出现与否的映射。算例分析表明,相比于传统方法,所提机器学习方法可以大大减少关键断面在线发现所需时间,且关键断面预测精度达到工程应用需求。

基于GF-1 PMS影像和k-NN方法的延庆区森林蓄积量估测

应用高分1号(GF-1)全色和多光谱(PMS)影像和k-最邻近(k-NN)方法进行县域尺度的森林蓄积量估测,探讨GF-1 PMS影像以及k-NN方法估测森林蓄积量的适用性。以北京市延庆区森林资源二类调查数据为基础数据,森林蓄积量为研究对象,基于国产GF-1 PMS影像数据提取植被指数,采用k-NN法构建森林蓄积量估测模型,并引入偏最小二乘回归法予以比较,选出最优估测方法对全区森林蓄积量进行反演。结果显示:偏最小二乘回归法估测的森林蓄积量均方根误差为21.90 m^3·hm^(-2),相对均方根误差为27.5%,偏差为17.23 m^3·hm^(-2)。基于k-NN方法的森林蓄积量估测的均方根误差为12.80 m^3·hm^(-2),相对均方根误差为16.0%,偏差为15.02 m^3·hm^(-2)。与官方公布的全区森林蓄积量进行对比,结果显示:基于k-NN法反演的全区森林蓄积量统计结果(245.98万m^3,估测精度为86.0%)要好于偏最小二乘回归法(266.22万m^3,估测精度为76.6%)。最后生成了全区森林蓄积量空间分布图。

基于概率神经网络的文本自动分类研究

本文提出了将一种径向基网络的重要变形--概率神经网络应用于文本自动分类的研究,与常用的K-最邻近法相比,具有一定的优势,特别是在训练集中各类的训练样本数很不平衡时;与BP等其他神经网络相比,其特点是需调节的参数少,不需确定隐层数、隐层中的神经元数量等网络结构,比较容易使用.此外,从研究中的不同特征选择的评价函数来看,它们对分类有一定的影响,应用X2统计进行特征选择的分类正确率最高,其次是文本证据权,而期望交叉熵的效果最差,说明特征选择在文本自动分类中也是非常重要的.

快速监督学习在显示器配件分类及识别中的应用

针对常见显示器配件难以快速实时分类识别的问题,以显示器配件图像分类识别为核心,构建一种基于监督学习的显示器配件快速视觉识别系统。通过对生产线上实时采集的显示器配件图像进行低通中值滤波消除图像中的噪声、孤立亮点或暗点,使用高斯算子滤波削弱图像像素灰度变化,使图像表面均匀平滑;使用样本集对监督学习分类器进行6次训练;利用监督学习分类器对显示器配件进行分类识别。基于4种分类识别方法的实验对比结果表明:本文方法采用图像的预处理弥补了监督学习分类器因噪声影响而导致分类识别精度下降的不足,在实时性和鲁棒性方面明显优于其他3种分类识别方法,完成分类识别仅需12.9 ms,每一种配件的识别准确率达到96%以上,分类准确率达到100%,该算法满足显示器配件分类识别的工程应用及实时分拣需求。

基于DTW-KNN的机械通气无效吸气努力检测

无效吸气努力(Ineffective Inspiratory Effort during Expiration,IEE)是使用机械通气抢救危重病人过程中最常见的一种人机不同步问题。针对该问题缺乏检测手段的现状,提出基于机械通气波形,采用K最邻近法(K-Nearest Neighbors,KNN)结合动态时间规整(Dynamic time warping,DTW)实现IEE检测。在临床采集的数据集上进行测试发现,基于DTW-KNN的方法得到96.5%的特异性和97.2%的灵敏度,优于传统的基于规则的方法和机器学习方法。研究表明,该方法有望用于临床IEE检测,提示医护人员调整呼吸机参数设置,改善病人与呼吸机的同步性,优化重症呼吸治疗。

基于支持向量机的文本自动分类试验研究

提出了将支持向量机应用于文本自动分类的研究 ,与常用的 K-最邻近法相比 ,无论是对训练数据集还是测试数据集均具有一定的优势 ,而且不同特征选择方法对支持向量机的影响要比 K-最邻近法小。此外 ,从研究中的不同特征选择的评价函数来看 ,它们对分类有一定的影响 ,应用 X2统计进行特征选择的分类正确率最高 ,其次是文本证据权 ,而期望交叉熵的效果最差 ,说明特征选择在文本自动分类中也是相当重要的。