基于降维聚类的双馈风力发电机参数辨识

电力系统在调度运行中,须要对风电场风机控制器参数进行辨识。提出了一种基于降维聚类的双馈风机参数辨识方法。首先进行控制器状态方程进行差分线性化,对相关采集数据应用LLE算法进行降维;然后应用K-means聚类进行数据提取;最后应用改进线性神经网络实现参数辨识。其中,LLE算法使数据局部线性特征得以保存,K-means聚类通过提取部分线性数据去除各种扰动和非线性数据,改进的多学习率线性神经网络确保了参数的精确辨识。通过实际双馈风力发电机运行数据作为算例,验证了算法的有效性,降低了参数辨识误差。

基于混合特征LLE融合与SVM的质量异常模式识别

针对生产过程中存在的异常模式识别的问题,提出基于LLE融合与支持向量机的质量异常模式识别方法。首先从动态数据流中提取其原始特征、统计特征、几何特征并将其进行混合,形成动态数据流的混合特征,然后利用LLE算法对混合特征进行降维,将降维后的特征集作为MSVM分类器的输入进行训练,同时采用粒子群算法对MSVM分类器进行参数寻优。最后用训练好的模型对动态数据流进行异常模式的识别。并将所提方法与单一类型特征方法、混合特征方法的识别模型进行比较,仿真结果和应用实例表明,所提方法的识别精度较高,可用于生产过程的质量异常模式识别中。

地震属性优化及物性参数反演的一种非线性处理方法

常规地震资料解释方法误差较大,越来越不能满足现代地震勘探解释的需要.本文在对地震属性进行模式分类的基础上,利用LLE算法对地震属性进行非线性降维,然后利用小波BP网络对物性参数进行非线性反演,建立了一个具有自适应、复杂非线性的地震属性储层反演模型.以某工区为例进行计算,并对其精度进行检验,获得明显优于常规方法的地质效果,具有一定的实用价值.

基于非线性降维和模糊均值聚类的滚动轴承的性能退化在线评估方法

为了得到滚动轴承的性能退化趋势,并且实现对滚动轴承退化指标的在线实时监测,提出基于局部线性嵌入(LLE)和模糊C均值(FCM)的滚动轴承性能退化在线评估方法,首先用自回归(AR)模型和小波包分解提取早期无故障信号和同型号同位置失效滚动轴承(简称同类轴承)的失效信号的特征,用LLE方法对总特征非线性降维,然后建立模糊C均值,将待测信号特征提取后通过保持模型不变连续迭代的方式输入到FCM模型中,用待测样本到正常和失效聚类中心的欧式距离作为性能退化指标,最后用滚动轴承外圈故障实例和希尔伯特包络解调验证提出方法的有效性和实用性。

基于市场交易数据的债券风险监控与防范研究——基于高收益率债券的违约概率时间序列估计模型的分析

近年来,我国的高收益债市场规模逐年扩大,高收益债投资对于我国民营企业投融资以及资本市场的有效配置均有重要意义。伴随着较高的市场收益率,对于该类债券的风险管理就显得尤为重要。传统违约概率估计模型有过多的理想假设,而仅考虑现金流违约的定价法可能忽略流动性等因素,从而高估违约风险,不利于风险计量和风险防范。运用LLE降维方法,在保留发行主体收益率曲线结构相似性的前提下,通过匹配相近发行人,将利差中的非违约定价剥离,能够更准确地对市场预期违约及其发生时点进行估计,并对违约风险进行辅助定价。