基于SOM特征聚类及RBF神经网络的电力负荷预测方法研究

为了提高电力系统负荷预测的精度,维护电力系统运行的安全稳定性,提出一种基于特征向量的自组织映射聚类和改进的径向基函数神经网络相结合的电力负荷预测模型。通过提取能够体现每日电力负荷特性的特征向量,对样本进行聚类,采用具有相似特征的数据作为神经网络的训练样本,提高了样本规律性。采用粒子群算法(particle swarm optimization,PSO)修正神经网络粒子群速度及位置,以克服梯度下降、局部最优等问题对网络预测精度的影响。基于某地配电网电力负荷数据,验证了所提模型的有效性及良好的适应性。

基于SLM-RBF的配电网分布式光伏集群智能划分策略

分布式电源大规模分散接入给配电网的优化调度带来计算上的维数灾难,需要对分布式电源进行集群以降低调控难度,因此合理的集群划分十分重要.同时,配电网实时量测数据不全造成分布式电源进行实时集群划分难度大、时间效率低,因此提出一种智能局部移动(SLM)算法与径向基神经网络相结合的分布式电源集群智能划分策略.首先,选取有功和无功功率调节范围以及有功和无功功率-电压的灵敏度作为集群划分的指标,构造相似度矩阵并基于SLM形成分布式电源的集群划分方案库.然后,离线建立电压拟合模型,拟合可实时观测节点的功率与电压之间的关系;同时,离线建立电压-划分结果模型,在线通过电压得到实时划分结果,创新性地解决了潮流模型缺失时无法进行集群划分的问题,提高了集群划分的实时性.最后,在MATLAB平台通过仿真计算验证了算法的合理性和优越性.

融合FCM-RBF的短时交通拥堵状态预测模型

针对高速公路常发性拥堵路段,提出一种融合模糊C均值聚类算法和径向基函数神经网络的短时交通拥堵状态预测模型。模型基于FCM聚类算法获取历史交通流的拥堵状态标签以及不同交通状态的聚类中心;基于RBF神经网络算法实现短时交通流参数预测。将RBF神经网络预测得到的短时交通流参数代入FCM聚类结果中,得到短时交通拥堵状态标签。通过交通流参数与交通状态的隐含关系,搭建出融合模型的基本计算架构。结果表明:FCM聚类算法训练后的分类结果更加稳定有效;RBF神经网络比对照方法具有更高的预测精度,预测相对误差基本低于1.2%;建立的FCM-RBF模型对短时交通拥堵状态预测的分类正确率达到95%,预测结果准确可靠。

基于混合模型的疏散星团视向速度和金属丰度研究

疏散星团是研究星族和银河系形成与演化的理想示踪体。基于LAMOST DR7低分辨率光谱,在视向速度和金属丰度两维空间上,构建包含团星和场星的混合模型:以二维正高斯模型来描述团星的分布,以星团天区周围的恒星来构建场星的分布模型。同时,在模型中考虑了观测误差的影响。对3个具有丰富光谱数据的典型疏散星团进行了拟合。年轻星团Melotte 22和中年星团NGC 2281可以较好地约束其视向速度的内禀弥散,分别为:1:47_(−1:18)^(+0:95)km·s^(−1)和2:05_(−1:88)^(+1:39)km·s^(−1),而年老星团NGC 2682只能给出速度弥散的上限约为0:96 km·s^(−1)。Melotte 22、NGC 2281和NGC 2682的金属丰度内禀弥散分别为:0:170_(−0:009) ^(+0:012)dex,(0:1080:012)dex和(0:0500:005)dex,都明显大于金属丰度的观测误差(约0:028 dex)。这说明疏散星团的成员星存在一定的化学丰度内禀弥散,这对于进一步讨论星团恒星的形成过程极为重要。

任务引导的径向基网络对乳腺病理图像有丝分裂检测

有丝分裂数目是判别乳腺癌恶性程度的重要指标,在诊断、治疗及预后中具有重要的意义.然而,在临床实践上乳腺癌切片中有丝分裂细胞的检测主要是通过病理学医生进行人工计数,这个过程繁琐耗时且具有很强主观性.本文提出了一种乳腺病理图像有丝分裂自动检测的两阶段方法.在第一个阶段,利用卷积神经网络作为主干融合深监督与注意力机制进行有丝分裂细胞候选块的定位.在第二个阶段,将获取的候选块输入融合了径向基函数网络的验证模型,进一步提高有丝细胞识别准确率.针对有丝细胞类内存在较大差异的问题,本文通过任务来引导径向基函数中心的确定,利用径向基函数的“局部响应”特性来表达有丝分裂细胞的形态多样性.通过在弱标签数据集ICPR 2014和AMIDA 2013上进行评估,本文所提出的网络模型取得了最优的F-score,与竞争方法相比,分别提高了5.4%和3.0%,从而证明了该方法对于有丝分裂检测的有效性.

煤矿区地表水与矿井水水力联系判断及水源识别方法研究

煤矿矿井水随意排放将对区域地表水体系造成污染,同时被动式的采空区积水通过导水裂隙也可能造成地表水体系污染风险,为保障矿山地质环境安全,在鄂尔多斯马泰壕煤矿开展开采沉陷区积水水源识别方法的研究,在开采沉陷区地表及煤矿水文孔采集大量水样充分分析了其化学特性。在此基础上采用Piper法、聚类法分析、灰色关联度法、主成分分析法和RBF神经网络法,对水源进行了识别与分析,研究表明地表积水与潜水具有一定的水力联系,但工作面涌水和采空区存水与沉陷区积水之间不存在水力联系。研究结果可为煤矿开采沉陷区水源识别分析过程提供依据,同时为煤矿区水污染防治与环境评估方法的研究提供思路与方法的借鉴。

面向融合度量的PSO-RBF软件缺陷数量预测模型

现有软件缺陷预测技术主要基于软件产品度量或过程度量来预测软件缺陷倾向性或缺陷数量,缺乏针对融合产品度量指标和过程度量指标的缺陷预测研究。为提高面向融合度量指标的软件缺陷预测模型的适用性和准确度,以融合软件产品度量指标和过程度量指标为输入,提出一种软件缺陷数量预测模型。此模型主要包括特征选择和缺陷数量预测两阶段。特征选择阶段,采用一种改进密度峰值聚类算法和皮尔逊相关系数结合的特征选择方法,完成特征选取;缺陷数量预测阶段,基于径向基函数(Radial Basis Function, RBF)神经网络,引入粒子群优化(Particle Swarm Optimizer, PSO)算法构建PSO-RBF软件缺陷数量预测模型。实验结果表明,面向融合度量指标的PSO-RBF模型在缺陷数量预测中效果更优。

应用近邻传播算法改进RBF的短期负荷预测

为了更有效地挖掘电力负荷样本数据的信息规律,提高径向基函数RBF(radial basis function)神经网络的预测精度,提出了一种引入近邻传播思想的RBF神经网络算法。该算法根据电力负荷数据的内部周期相似性规律,利用近邻传播算法将样本数据进行聚类处理,获取样本数据的类中心点,并将此作为RBF神经网络的中心矢量,同时根据类中心距离设置基宽,最终实现样本数据的训练以及未来电力负荷的短期预测。通过对未来一天的负荷预测,验证了该思路,为电力负荷短期预测提供了一种新方法。

基于多元统计分析和RBFNNs的水质评价方法

提出了一种基于多元统计分析和RBFNNs的水质评价方法,其可适用于大尺度、多断面、长时间的水质评价工作,旨在补充以往相关研究工作.其主要程序为:利用方差分析对各断面多年水质监测样本进行时间与空间尺度上的显著差异性分析,识别出具有显著差异的样本,然后通过层次聚类分析把上述样本进行聚类分组,最后应用径向基神经网络对各组样本进行水质评价,并把此评价结果再分解到各断面各时段,此方法的特点为在不损失信息的前提下能大大减轻水质评价工作量,且客观可信、分辨率高,并能综合反映总体与个别特征.以辽宁省太子河为例,通过方差分析将2001～2003年6个断面的144个样本归纳为存在显著差异的74个样本,再通过聚类分析得到9个相似组,相应的水质评价结果为2.7394、4.4306、4.0994、2.777、4.2192、4.1214、4.4129、4.4259、4.4359,与传统单项指数法的结果基本一致.具体落实到各断面,结果表明,2001～2003年间太子河大部分断面的水质处于IV类以上.

一种双模式战斗部成形过程及破片发散角影响因素分析

为实现弹药的一弹多用,设计了一种在爆炸成形弹丸结构前适当位置安装一个可抛掷的十字形切割网罩的可选择作用/双模式战斗部装药结构。采用LS-DYNA3D程序,对药型罩经过切割网罩形成多个破片的过程及影响因素进行了数值仿真研究,仿真结果与试验结果吻合得较好。研究表明：该装药结构能形成5片具有一定质量和方向性、速度达到1 5001 800 m/s的破片;破片的形成和发散角α与切割金属丝的直径D、材料密度,ρ以及它与药型罩之间的距离d有关。一般而言,α随着D的增大而增大,ρ越大越有利于切割但对α影响不大,而d则需在一定的范围之内才能形成理想的破片,并存在一个最佳值。

堆石坝参数反演的蚁群聚类RBF网络模型

将蚁群算法与径向基(RBF)网络相结合,提出一种用于堆石坝力学参数反演的蚁群聚类径向基网络模型。该模型用蚁群聚类算法搜索RBF网络基函数中心,模拟蚁群觅食聚类的概率转移特性,所得到的聚类结果类间离散度和比传统K均值聚类结果小,能够得到更合理的基函数中心,从而获得较准确的坝体参数和位移之间的非线性映射关系。在进行参数灵敏度分析的基础,对一座堆石坝的反演分析表明,蚁群聚类RBF网络模型可有效地求解堆石坝多参数反演问题,反演结果优于BP网络模型和K均值RBF网络模型。

基于模糊RBF神经网络的乙烯装置生产能力预测

针对传统的径向基函数(RBF)神经网络隐藏层节点的不确定和初始中心敏感性、收敛速度过慢等问题,提出一种基于模糊C均值的RBF神经网络(FCM-RBF)模型,通过模糊C均值聚类(FCM)得到各聚类中心,基于误差反传的梯度下降法训练隐藏层到输出层之间的权值,克服传统RBF模型对数据中心的敏感性,优化确定RBF神经网络隐藏层的节点数,提高网络训练速度和精度。最后将其用于乙烯装置生产能力预测中,分析预测不同技术、不同规模乙烯装置生产情况,指导乙烯生产,提高生产效率,结果验证了所提出算法的有效性和实用性。

嵌入Y型分子筛中钯簇合成与结构的研究

经微波交换-焙烧-氢还原等过程制备了嵌入Y型分子筛中的钯簇化合物（Pd0Y）应用径向电子分布函数法（RedialElectronDistributionFunction），就其钯原子簇化合物进行了结构的研究．结果说明，嵌入Y型分子筛中的钯原子以A1型密堆积方式排列，聚集成约12大小的原子簇，嵌在Y型分子筛超笼之中．分子筛骨架的作用使族之间分立存在．它在超笼之中的占有率仅为0.06因此Pd0Y化合物既有纳米级金属钯的性能，又有分子筛固有的孔道结构特征．如此含有钯簇的分子筛化合物对一氧化碳完全氧化的反应具有超常的催化活性．

混合聚类RBF神经网络焊接接头力学性能预测

构建混合聚类算法,与伪逆法结合建立RBF神经网络模型预测焊接接头力学性能.以TC4钛合金TIG焊接试验为基础,将焊接参数作为模型输入,焊后接头力学性能作为模型输出.通过仿真,该模型预测平均相对误差范围为1.74%~6.69%,具有较高的预测精度、适应性和泛化能力,能够预测焊接接头力学性能.采用数学解析对所建模型分解,得到焊接工艺参数与接头力学性能之间映射关系的函数表达式,可优化焊接工艺参数.利用焊接专业知识对模型的径向基单元参数进行调整,提高了模型的预测精度,为将焊接专家知识融入RBF神经网络模型开辟了新方法与途径.

基于改进RBF神经网络的入侵检测研究

近年来,神经网络技术在入侵检测中得到了广泛应用,其中最具代表的是BP神经网络,但其本身所具有的局部极小性质限制了检测性能的提高。RBF神经网络在一定程度上克服了BP神经网络存在的问题,但如何确定一个合适的RBF网络隐层神经元中心个数又是保证其应用效果的关键之一。因此,将基于熵的模糊聚类和RBF神经网络相结合,提出了基于EFC的改进RBF神经网络算法,并将该方法应用于入侵检测研究。实验表明,该算法可以获得满意的性能。

地震相约束的多属性储层预测方法研究

多元线性回归与神经网络的组合已被广泛应用于多属性储层预测,但在神经网络训练时,对已知井数目总是存在很大的依赖性,而在勘探初期往往钻井数据又很少。为解决这一问题,提出可以从现有的地震属性数据中,挖掘出更多的有效信息来弥补测井参数的缺乏。即首先利用模糊自组织神经网络将一组地震属性进行聚类映射,反映出不同沉积环境下不同地震响应的特征区域,即地震相;然后结合地质和开发资料,对地震相进行解释,并用地震相的信息约束储层预测。地震相约束可以从两方面进行,一是增加新的、合理的虚拟井参数,二是将地震聚类数据作为新的输入属性。按此思路对模糊自组织聚类、多元线性回归和径向基函数网络进行了组合,通过数学推导证明了该流程的可行性。实际资料处理、解释表明,无论时移监测中的压力差预测,还是勘探初期储层的含油饱和度预测,该流程都能获得理想的效果。

考虑多重影响因素的负荷同时系数预测方法

负荷同时系数的选取是合理开展电力系统负荷预测工作的基础。目前,实际工程中的小区同时系数的选取缺乏理论依据,选取结果不能合理匹配小区的实际用电需求。针对该类问题,该文提出一种考虑多重影响因素的负荷同时系数预测方法。通过分析负荷同时系数的主要影响因素,构建同时系数影响因素指标体系。基于模糊K均值(K-means)聚类算法和径向基函数(radial basis function,RBF)神经网络相结合的方法,对样本集进行聚类分析,根据聚类结果预测样本的负荷同时系数。该方法可以大大提高样本的预测精度。对城市小区配电网规划具有指导意义。

基于K均值聚类和多示例学习的图像检索方法

针对基于对象的图像检索问题,利用K均值(K-means)聚类,提出了一种新的基于多示例学习(MIL)框架的图像检索算法KP-MIL。该算法在正包和负包组成示例集合聚类,获取潜在正示例代表和包结构特性数据,然后利用径向基核分别度量两者的相似性,最后利用alpha因子均衡两者相似性对核函数结果的影响。在标准对象图像检索集SIGVAL上进行实验,实验结果表明,该方法是有效的且性能优于其他同类方法。

基于免疫聚类的RBF神经网络在中医舌诊诊断中的应用

研究基于人工免疫聚类的RBF(Radial-Basis Function)神经网络应用于中医舌诊诊断,构建一个中医舌诊智能诊断的神经网络模型,旨在提高模型的诊断能力和收敛速度。对输入样本集进行数据归一化处理,采用改进的基于免疫聚类的RBF算法进行学习、训练。以肝病病证诊断进行仿真,结果表明:该中医舌诊智能诊断系统具有诊断能力强、收敛速度快,泛化能力强等特点。因此,基于人工免疫聚类的RBF神经网络应用于中医舌诊诊断的研究是可行的,有效的。

基于新径向基函数网络的变压器故障诊断法

油中溶解气体分析(DGA)是判别变压器内部绝缘状况及发现内部潜伏性故障的重要手段,而多层前馈网络(MLFNN)是应用广泛的故障诊断模型。为此,提出了以DGA数据为特征参数的新型径向基函数神经网络(RBFNN)诊断变压器故障。在分析传统k-均值聚类算法RBFNN的缺点和最优聚类特性的基础上,介绍了RBFNN的新算法-自适应k-均值聚类算法,它既能避免传统k-均值聚类算法的局部收敛的缺点,又能动态调整学习率。最后,大量聚类实验结果显示自适应k-均值聚类算法在收敛速度和聚类性能上比传统k-均值聚类算法显著提高;故障诊断实验结果显示所提出的模型故障诊断准确度高于传统BPNN、RBFNN及IEC三比值法。