基于Kohonen聚类小波包分解和ELM的短期电力负荷预测

提出基于Kohonen聚类、小波包分解和极限学习机的短期电力负荷组合预测方法.考虑到电力负荷具有一定周期相似性,经过Kohonen神经网络的聚类分析能确定与待预测日具有类似特性的负荷相似日;利用双正交小波对负荷数据进行分解,得到不同的频率分量分别送入ELM网络进行预测;最后将所得的不同频带中的待预测负荷分量组合,即为最终负荷预测值.经仿真实验表明,较传统单一的神经网络算法,该方法在预测精度和运算时间等方面均颇有提升,具有一定的实用性.

基于Kohonen聚类和SVM组合算法的电网日最大负荷预测

电力系统负荷受到气象等多种因素的共同影响,为提高电力系统短期预测的准确度,提出了一种将Kohonen聚类和SVM结合的预测算法。该方法考虑到电力系统变化周期性的特点,通过对学习样本进行聚类,选出具有相同特征的历史相似日,构造相似日训练样本并利用SVM模型进行预测。样本特征向量中同时包含了多种气象因子及节假日等因素,经过仿真实验,验证了该方法的有效性。

基于Kohonen聚类的特高拱坝变形分区

目前,特高拱坝监测系统日益完善,变形监测点数量众多,但传统变形分析模型主要研究单测点监测序列,较难体现不同测点间的时空关联性.本文研究了Kohonen聚类算法的基本原理,结合大坝变形实测数据训练自组织神经网络,对上下游方向变形测点进行分类,依据测点实际位置实现特高拱坝变形分区,为整体变形监测提供辅助信息.某特高拱坝研究结果表明:Kohonen聚类方法能够有效探测变形数据空间聚集状态,描述特高拱坝实际变形规律,为特高拱坝变形分析提供新方法.

在社会经济与森林资源因子约束下的我国林业区划研究——基于Kohonen网络聚类

在林业区划理论的指导下,根据林业统计年鉴公布的2009年的相关数据,本文选取社会经济因子与森林资源因子两方面的相关指标进行基于Kohone网络的聚类分析,以探究我国各地区林业产出与森林资源现状及两者之间的相关性。在社会经济与森林资源因子约束下,将全国区划为资源最充沛——林业较发达地区,资源较充沛——林业最发达地区,资源最匮乏——林业发展一般地区和资源较匮乏——林业欠发达地区四个区域。经过分析发现,产值最高的区域其资源不一定是最充沛的,相反,资源最匮乏的区域产值也不一定是最低的,两者之间没有绝对的正相关关系。

T形接头机器人CO2焊接过程实时监控

针对T形接头的机器人CO2焊接,建立了焊接过程的实时监控系统,对电弧传感器采集的焊接电参数信息实施在线处理与特征提取。构建焊接电流瞬时值标准差峰度和变异系数的三维特征矢量,描述正常焊接过程与受到干扰的焊接过程之间的区别。将三维特征矢量作为模糊Kohonen聚类神经网络系统的输入,对焊接过程进行识别,为实时监控机器人CO2焊接过程奠定了基础。

面向投资者的P2P网贷平台选择——聚类分析方法的应用

良莠不齐的P2P网络借贷平台给投资者的选择提出了挑战。为了挖掘平台特征,对平台质量进行评价,从而辅助投资者选择合适平台,文章构建了P2P网贷平台的综合评价指标体系,基于指标数据运用Two Step和Kohonen模型对516家尚在正常运营的平台进行聚类,并基于用户评论数据验证聚类结果的可靠性。Two Step模型的分类结果能够更好地区分平台质量,该模型结果表明以人人贷为代表的一类平台表现最佳,建议投资者选择,用户评论验证了这一结果。

基于数据挖掘的电信业客户流失分析

在电信运营商重组的市场格局下,为解决国内各大运营商如何降低客户流失率并保持市场份额的问题,在基于SPSS公司的Clementine挖掘平台的基础上,对数据理解、数据准备、建立模型等主要步骤进行了分析,建立了客户流失预测模型,并针对高流失概率客户群提出了针对不同类型客户的挽留策略。