基于ART算法的电力负荷预测

为了有效支持用电管理决策及负荷预测,在分析用电管理及智能辅助决策支持技术发展现状的基础上,提出了一种基于自动回归树(ART)算法的电力负荷预测方法.利用该预测方法对电力远程自动抄表系统所采集的历史数据进行了处理分析.针对实际系统应用,验证了该方法适用于短期负荷预测,也适用于时未来电力负荷的准确快速预测.因此它是一种行之有效的方法.     

基于灰色线性回归－加权模糊马尔可夫链模型的电力能源需求预测

电力能源系统是一个具有多利益主体的复杂系统,其需求总量变化趋势的预测是新能源规划决策的重要基础,对新常态下我国经济的可持续发展具有重要的指导意义。结合电力能源需求总量历史样本数据特征,提出一种基于灰色线性回归－加权模糊马尔可夫链模型的电力能源需求预测新方法。首先,利用线性回归理论对电力能源需求灰色预测数据进行平滑处理,剖析电力能源需求时间序列中的线性变化特性,进而基于灰色线性回归方程对电力能源需求的未来变化趋势进行预 测,引入加权模糊理论对马尔科夫链理论进行改进,构建灰色线性回归预测残差的状态转移加权模糊概率矩阵,实现对灰色预测结果残差的修正,解决电力能源需求预测中的局部波动变化问题。最后,以我国H电网区域的电力能源需求预测为实际算例,验证所提方法的可行性和有效性。     

基于数据截断变换的主成分分析回归预测方法

针对DataCastle学生成绩排名预测任务:根据学生以往的在校信息预测下学期的成绩排名,结合现有的主成分分析方法以及多元线性回归模型,本文提出了基于数据截断变换的主成分分析回归预测方法,并与其它的方法进行了比较,结果表明:基于数据截断的主成分分析回归预测方法能够更好地预测学生下个学期成绩,预测准确率达到78.57％,优于对比的模型,在最终结果排行榜中排在前百分之十,因此可以较好地作为解决其它预测分析问题的工具.     

电力预测软件关键技术分析

规划方案的质量直接受到负荷预测的准确性影响,本文主要就负荷预测采用使用优选组合预测方法,并就设计软件中的关键技术进行分析,通过各预测结果进行比较选优,来实现电力预测的目的。     

用机器学习方法进行电力负荷宏观预测

分析了电力负荷宏观预测的模型和相关技术，引入支持向量回归方法(SVR)解决问题，并通过计算实例，比较分析了SVR与神经网络方法用于预测的效果，提出SVR广阔应用前景。     

基矛ART算法的电力负荷预测

为了有效支持用电管理决策及负荷预测,在分析用电管理及智能辅助决策支持技术发展现状的基础上,提出了一种基于自动回归树（ART）算法的电力负荷预测方法。利用该预测方法对电力远程自动抄表系统所采集的历史数据进行了处理分析。针对实际系统应用。验证了该方法适用于短期负荷预测。也适用于对未来电力负荷的准确快速预测、因此它是一种行之有效的方法。     

基于杂草算法的支持向量机电力负荷预测

分析各参数对支持向量机学习能力的影响,提出一种基于杂草算法的支持向量机电力负荷预测方法。首先运用杂草算法对支持向量机的两个关键参数进行智能寻优,然后将最优参数运用到支持向量机预测模型。采用新的预测模型对EUNITE第一次竞赛提供的相关电力数据进行分析,并与基于回归树和基于神经网络的预测方法进行比较。结果表明本文方法智能化地解决了传统参数选择方法的缺陷,且对电力负荷预测具有较高的预测精度。     

基于贝叶斯优化的CNN-GRU短期电力负荷预测

为了提高短期电力负荷预测精度,针对负荷数据时序性与非线性的特点,提出一种基于贝叶斯优化的CNNGRU短期电力负荷预测模型。首先,将电力负荷数据按时间滑动窗口构造连续特征作为输入,采用CNN对负荷数据进行特征提取,将特征以时序序列方式作为GRU网络输入;然后通过GRU网络进行短期负荷预测,构建CNN-GRU预测模型。针对CNN-GRU模型易陷入局部最优以及超参数寻找难的问题,利用贝叶斯优化寻找最优超参数组合,对模型进行超参数优化,构建贝叶斯优化的CNN-GRU短期电力负荷预测模型。实验结果表明,贝叶斯优化的CNN-GRU模型的MAE值比传统的CNN-GRU网络模型降低58%,精度提升1.23%,说明所提模型能够有效提高负荷预测精度,可作为短期电力负荷预测工具。     

基于协方差稳健模糊线性回归的系统负荷预测数学模型

针对统计学中基于线性回归分析的系统负荷准确预测问题,提出一种基于协方差改进稳健模糊回归的预测数学模型。通过引入协方差参数估计,对传统基于均值参数的稳健估计方程进行改进,以便降低对数据中异常点的敏感性,并对多元正态变量的渐近性质进行分析。结合模糊线性回归,将预测结果划分在一个合理的模糊区间,从而进一步排除异常点。实例测试结果表明,相比传统的模糊线性回归模型,提出的稳健模糊回归模型能够有效降低异常数据的影响,降低预测误差。     

基于混沌时间序列的短期电力负荷预测

针对电力系统负荷的复杂性及非线性,提出了结合混沌的思想,充分利用数据信息,在重构相空间的基础上对负荷进行预测.结合混沌理论,采用加权一阶局域法建立了电力负荷预测模型,并进行了实际预测,取得了满意的结果.     

基于贝叶斯高分辨方法的相干源方位估计研究

本文研究了利用贝叶斯高分辨方法解决相干源的问题,分别对均匀线列阵和圆形阵中的相干源问题进行了计算机仿真,并将贝叶斯方法和其它方法进行比较。仿真结果表明贝叶斯方法在解决相干源问题上有明显的优势。     

Face verification based on deep Bayesian convolutional neural network in unconstrained environment

Unconstrained face verification aims to verify whether two specify images contain the same person. In this paper, we propose a deep Bayesian convolutional neural network (DBCNN) framework to extract facial features and measure their similarity for face verification in unconstrained conditions. Specifically, we design a deep convolutional neural network and construct a Bayesian probabilistic model by transferring the Bayesian likelihood ratio function into linear decision function. By training a decision line rather than finding a suitable threshold, we further enlarge the distances between inter-class and intra-class in unconstrained environment. Finally, we comprehensively evaluate our method on LFW, CACD-VS and MegaFace datasets. The test results on LFW and CACD-VS datasets show that our method can shrink intra-class variations significantly. The performance of our DBCNN model on MegaFace dataset proves that our model can achieve comparable performance to state-of-the-art methods on face verification with relative small training data and only one single network.     

Matching segments in stereoscopic vision

We have shown that it's possible to realize a stereoscopic sensor with poor cameras. We developed image processing that is robust and allows us to quickly obtain results for the matching algorithm. We computed an important number of features on each segment, and with these features, we built 16-component vector used in the classification step. After an exhaustive study, we decided to combine two methods, Bayesian and neural, to construct an efficient classifier. The tests for indoor images had better than 90% good matching. With segment couples, it is possible to compute the 3D coordinates of the objects. Therefore, the mobile robot is able to localize and move about in the environment     

浅海非高斯噪声下基于变分贝叶斯推断的波达角估计

传统基于高斯统计特性的波达角(DOA)估计方法在高斯背景噪声中可以获得较好的估计性能,然而受脉冲噪声影响的浅海环境噪声不再服从高斯分布,若直接利用传统波达角估计方法会引入较大误差。为提升非高斯噪声环境下的波达角估计性能,该文提出一种浅海非高斯噪声下的基于变分贝叶斯推断的波达角估计方法。首先利用信号与脉冲噪声的稀疏性构建多测量向量稀疏信号恢复(SSR)模型;其次,考虑信号的共稀疏特性与脉冲噪声的独立稀疏性,构建层次化贝叶斯估计框架;然后利用变分贝叶斯推断估计信号与噪声的后验概率估计。稀疏信号模型中考虑离网格误差,利用根稀疏贝叶斯估计实现离网格误差修正,解决离网格误差引起的基失配问题;最后通过迭代更新获得较为精确的波达角估计,同时消除脉冲噪声的影响。仿真结果表明:所提方法在非高斯噪声环境下具有较好的波达角估计性能,同时对于脉冲噪声具有较强的抗干扰特性。     

贝叶斯网络应用中的结构学习方法研究

贝叶斯网络是用于表示不确定变量之间潜在依赖关系的图形模型。结构学习是贝叶斯网络学习的核心,有效的结构学习方法和算法是构建最优网络结构的基础。文中对迄今为止贝叶斯网络应用中的结构学习方法进行探讨,从复杂度、适用性等方面对其进行分析比较,并指出每种方法的关键环节和主要思想,对实际应用中的方法选择和研究提供了参考。     

基于稀疏贝叶斯正则化的阵列SAR高分辨三维成像算法

阵列合成孔径雷达(Linear Array Synthetic Aperture Radar, LASAR) 3维成像技术是一种具有重要潜在应用价值的雷达成像新体制,但受线阵天线及平台尺寸限制,传统匹配滤波成像算法难以实现LASAR高分辨3维成像。该文利用LASAR回波信号及观测目标的先验分布特性,提出了一种基于快速稀疏贝叶斯正则化重构的LASAR高分辨3维成像算法。该算法先结合贝叶斯估计准则及最大似然估计原理,构造LASAR目标重构的稀疏贝叶斯最小化代价函数;再利用迭代正则化方法求解联合范数最优化问题实现LASAR稀疏目标高分辨3维成像。另外,针对稀疏贝叶斯正则化成像运算量大的问题,结合位置预测快速成像思路,利用阈值分割算法对稀疏粗成像进行强目标提取,进而提升算法运算效率。仿真数据和实测数据验证了该文算法的有效性。      

利用稀疏贝叶斯推理估计干扰导向矢量和功率的稳健自适应波束形成方法

现有稳健自适应波束形成（Robust adaptive beamforming,RAB）方法对快拍数有较高要求，可用快拍数的不足可能会使RAB方法无效。稀疏贝叶斯推理（Sparse Bayesian Inference,SBI）从贝叶斯的角度，通过对信号的稀疏先验假设来利用稀疏信息，在建模稀疏信号方面具有较好的灵活性，可以提高解的稀疏性，即使在样本数较低的情况下也能取得很好的估计效果。本文使用SBI估计干扰信号的导向矢量和功率，提出了一种新颖的基于干扰加噪声协方差矩阵（Interference plus Noise Covariance Matrix,INCM）重建的RAB方法。所提方法利用SBI在建模稀疏信号方面的优越性，通过准确重建出INCM，实现高输出SINR。仿真结果表明，本文提出的方法在比较宽的输入SNR范围内和少量快拍情况下都实现了较好的性能。     

Fast gradient-based methods for Bayesian reconstruction of transmission and emission PET images

The authors describe conjugate gradient algorithms for reconstruction of transmission and emission PET images. The reconstructions are based on a Bayesian formulation, where the data are modeled as a collection of independent Poisson random variables and the image is modeled using a Markov random field. A conjugate gradient algorithm is used to compute a maximum a posteriori (MAP) estimate of the image by maximizing over the posterior density. To ensure nonnegativity of the solution, a penalty function is used to convert the problem to one of unconstrained optimization. Preconditioners are used to enhance convergence rates. These methods generally achieve effective convergence in 15-25 iterations. Reconstructions are presented of an (18)FDG whole body scan from data collected using a Siemens/CTI ECAT931 whole body system. These results indicate significant improvements in emission image quality using the Bayesian approach, in comparison to filtered backprojection, particularly when reprojections of the MAP transmission image are used in place of the standard attenuation correction factors.     

基于交叉贝叶斯融合全局和局部大气光的深度预测研究

单目深度预测对于三维场景的理解和感知起着至关重要的作用。目前基于深度学习的方法虽然取得很好的效果,但是其性能过于依赖于训练数据,同时,在复杂场景下,基于深度线索的全局光不变假设效果欠佳。为此,本文提出了一种基于交叉贝叶斯融合全局和局部大气光的深度预测方法,具体地,分别基于全局大气光和设计的局部大气光散射模型进行初始深度图预测,为实现两者有效互补,利用研制的交叉贝叶斯模型进行深度图的融合,并利用边缘滤波机制进行优化得到最终深度图。通过一系列实验,证明了该模型在深度预测数据集中能够取得很好的效果,并且有助于提高显著性目标检测任务的准确性。     

Real-time automated risk assessment in protected core networking

Protected Core Networking (PCN) is an approach to creating a secure and flexible network and communications infrastructure that supports network enabled capability (NEC) operations. The real-time automated risk assessment (R-TARA) provides a theoretically and practically sound method for risk assessment in the Protected Core. The purpose of the R-TARA is multifold. On the one hand it provides a global metric, which could be used by the network operator to assess the overall security level of the network and its evolution over time. On the other hand, the results of R-TARA can be used in order to achieve dynamic accreditation. Finally, R-TARA local risk metrics, e.g. susceptibility to DoS attacks, can be used for dynamic routing decisions. We propose use of Bayesian networks, known from operational risk assessment, for PCN risk assessment and we provide analytical and simulative evaluation of R-TARA mechanisms.