基于改进K-NN和SVM的多学科协作诊疗决策支持系统

由于当前的诊疗决策支持系统采用单一学科的决策方法,导致诊疗精度不高,获取的数据分类结果准确率较低,提出并设计一种基于改进K-NN(K-Nearest Neighbour)分类算法和SVM(Support Vector Mechine)的多学科协作诊疗决策支持系统.在构建系统总体框架的基础上,对数据库系统模块、人机交互模块和诊疗推理模块进行设计,其中诊疗推理模块是系统的软件核心,通过改进K-NN分类算法和SVM建立推理引擎,在计算机的辅助下,搜索与患者病症信息相似的医疗案例,并进行相似度匹配,根据匹配结果与患者症状集构建一个新的临床案例,引入CDA(Clinical Document Architecture)概念,实现改进K-NN分类算法和SVM算法的有效融合,完成多学科协作诊疗决策.实验结果表明,与传统系统相比,该系统的诊疗决策精度高,评价指标测试平均值达到95.98%,分类结果准确率较高,在该系统辅助下能提高医生诊断正确性,降低误诊率,且运算复杂度较低.

一种基于改进核Fisher的故障诊断方法

针对化工过程故障数据呈非线性分布,数据类别复杂,难以进行故障诊断的问题,提出一种改进核Fisher的故障诊断方法。对于原始样本数据投影后,样本出现因类间距离存在很大差异性而导致部分类别样本存在混叠的现象,以及不同类别的边界数据归类模糊问题,给出了统一的解决办法。该方法首先采用改进类间距的方法来改变样本投影空间的分布,使得样本具有较好的投影效果,然后通过定义阈值参数来筛选出边界数据,对于边界数据,采用改进的K近邻(K-NN)算法来分类,对于非边界数据,采用马氏距离来分类。最后在TE过程中进行了仿真验证,结果表明方法在兼顾了故障诊断时间的同时,有效提高了故障诊断精度。

相空间重构和混沌神经网络融合的短期负荷预测研究

该文首次提出基于PSRT和ICNN融合的电力系统STLF模型,所构造的ICNN预测模型对负荷初值和混沌轨迹的游动性有很强的敏感性,可表征复杂的动力学行为和具有全局寻优的性能,以PSRT确定ICNN输入维数,训练样本集按预测相点步进动态相轨迹和最近邻点集原理形成的,可增强预测模型对混沌动力学的联想和泛化推理能力;文中用遗传算法作为ICNN的学习算法,对两类不同负荷系统日、周预测仿真测试,证实所研究的预测模型能有效、稳定的提高预测精度,且有较高的适应能力,为将基于PSRT和ICNN融合的电力系统STLF方法用于实际运行系统在理论上取得了有效的进展。

基于改进的遗传算法优化BP神经网络的电力负荷预测

本文通过对BP神经网络在负荷预测方面收敛的速率过于慢、易于陷入局部最优解等问题。提出用改进的遗传算法去优化BP神经网络的阈值、初始权值以及加入的平滑因子。提高BP神经网络的自适应学习率和附加动量,提高搜索的效率。该模型具有较好的收敛速率和全局空间搜索能力。为了验证改进的(Im-GA)-BP模型预测的合理性,通过对某区域的电力负荷预测分析。此方法的预测精度比一般的BP算法效率高。

特征保持的基于紧支径向基函数的点云简化

提出一种特征保持的基于紧支径向基函数的点云简化算法。算法采用迭代简化的策略:使用改进的k_近邻算法计算点的k邻域,并根据每个点的局部最小二乘拟合曲面多项式计算每个点的高斯曲率;根据选择的紧支径向基函数,建立与点曲率和基函数支撑半径内点云密度相关的评估函数来评估点的重要性,删除函数值最小的点;更新与删除点相关的函数值,迭代删除值最小的点直到满足简化要求。实验结果表明,该方法能够精确地控制简化后点云的数量,尖峰信噪比高,且能够较好地保持点云的特征。