短期尖峰负荷多信息融合的神经网络预测方法

为了降低负荷数据的复杂度、提高预测精度,提出一种短期尖峰负荷多信息融合的神经网络模型。选取皮尔逊相关系数分析假日、温度、湿度等信息之间的密切程度,将关键气象信息融合进模型中,优化负荷的输入参数,重构神经网络模型的新数据集,并防止神经网络的过拟合,提高短期尖峰负荷预测精度。算例仿真分析表明,所提方法与未考虑多信息融合的单一增强型决策树模型和神经网络模型相比,更能有效地提高短期尖峰负荷预测准确率。

随动系统模拟电路模块化故障诊断研究

针对人工神经网络在对装备电路进行故障诊断时出现的网络结构庞大，而影响网络诊断速度的问题，提出了模块化诊断思想。首先根据电路的功能特点以及系统电路分割的原则，将装备电路分割成具有独立功能的模块及子模块，然后建立起混联、串联2种模型，分别对其提出逻辑思想、模糊信息融合的诊断方法，从而将电路故障快速、有效地定位在模块级别，如需进一步诊断元器件故障，只需对故障子模块建立规模较小的诊断网络，从而有效避免诊断大规模电路时诊断网络结构庞大的问题。

模块化神经网络数据融合在谱线核测量中的应用

针对谱峰随不同干扰量漂移的问题,尝试使用模块化神经网络的信息融合对谱仪谱峰随温度、电压等干扰漂移进行数据融合。对谱仪峰位漂移,建立了融合的网络模型、算法及其学习方式。最后在建立的数学模型上对谱漂移试验数据进行计算和仿真。实验结果表明建立的数学模型有较好的精度,基于模块化神经网络的融合技术能运用在谱仪的谱峰漂移的数据融合中。