基于粗糙集和信息熵的多变量决策树的变压器故障诊断

利用粗糙集中决策表的分明矩阵选择多变量决策树的根属性,把信息熵研究属性约简过程中的理论用于节点属性检验和选择,实现多变量决策树的建立.通过实例验证多变量决策树诊断模型较之单变量决策树诊断模型减少了故障信息的冗余性,诊断效率高,结果易于理解.     

一种改进的粒子群优化RBF网络学习算法

提出了一种新的用粒子群优化RBF网络学习的算法，即分组训练合成优化。该算法利用粒子之间的合作与竞争以实现对多维复杂空间的高维搜索能力，找出神经网络权值的最优解，以达到优化神经网络学习的目的。通过与用最小二乘法优化的神经网络进行了比较，结果表明算法所优化的神经网络收敛效果明显、收敛速度快。     

数据挖掘中判定树算法SLIQ的设计与应用

分析了一种用Gini指标进行属性选择的SLIQ算法,讨论了提高效率的可行方法.把算法用到电力市场发电竞价决策系统中,通过对发电商的竞标能力进行挖掘,获取的知识对发电商的决策有重要现实意义.     

基于Java的Intranet/Web环境中分布式异构数据库互操作的研究

Web服务器与数据库的连接是研究和开发企业Intranet的核心课题. 分析了几种常用的Web服务器与数据库的连接方式,指出采用Jdbc结合RMI可很好地实现Web/lntranet中分布式异构数据库的访问及互操作.     

基于关联规则的PSO-Elman短期风速预测

传统神经网络在短期风速预测中,存在易陷入局部极值和动态性能不足等问题,从而导致风速预测精度较低。为了提高风速预测精度,提出一种基于关联规则的粒子群优化Elman神经网络风速预测模型。利用粒子群算法优化Elman神经网络模型参数,以提高算法的收敛速度,避免陷入局部极值,以得到最优的预测值。同时结合关联规则分析考虑气象因素,采用Apriori算法对风速与其他气象因素进行关联规则挖掘,并利用得到的关联规则对风速预测值进行修正与补偿。实验结果表明,所提出的预测模型的预测效果比传统模型的效果更佳,同时验证了结合关联规则考虑气象因素能够降低风速预测误差。     

基于JAVA的电子系统INTRANET的研究

用ＪＡＶＡ语言开发电力系统ＩＮＴＲＡＮＥＴ,使用户实时了解电力生产和电网运行动态情况,也可动态查询历史数据,是一种良好ＭＩＳ集成设计方法。     

基于信息熵构造判定树的数据挖掘算法的设计与实现

该文讨论了信息量或熵构造判定树的数据挖掘算法,阐明了算法中如何处理高分枝属性、数据清理及剪枝等关键环节,并说明了具体实现方法。     

多目标优化分段竞标电力市场的研究

提出了一种兼顾污染物排放量最小和购电费用最小等多目标综合优化的电力市场分段竞标新模型。采用2种算法求解该模型：一是模糊算法．即首先分别求解各单目标分段竞标模型,接着将各目标函数模糊化,然后采用最大满意度法将多目标问题转化为新的单目标分段竞标问题,由此求得兼顾多目标的竞标结果;二是目标函数转化为约束算法,即将污染物排放量作为约束构成新的购电费用最小分段竞标模型。算例仿真结果表明了该模型的有效性。也表明该模型不仅具有分段竞标的优点,还可使经济、环保等多目标综合优化,从而体现竞标机组多因素贡献的公平性。     

一个不需要候选集的挖掘关联规则算法的研究

挖掘关联规则是数据挖掘中的一个重要课题.针对挖掘关联规则典型算法中的某种不足,介绍了一个不需要产生候选集的挖掘关联规则的算法FP-tree.经过深入研究,对它进行了分析和评价.     

基于优化粒计算下微粒子动态搜索的K-medoids聚类算法

K?medoids算法具有对初始聚类中心敏感,聚类准确度不高及时间复杂度大的缺点。基于此,文中提出一种优化的K?medoids算法;该算法在已有的粒计算初始化基础上进行了改进,以对象之间的相似性作为判断依据,结合最大最小法初始化聚类中心,能有效地获取最佳或近似最佳的聚类中心;在优化的粒计算前提下,提出了基于微粒子动态搜索策略,以初始中心点作为基点,粒子内所有对象到其中心的平均距离为半径,形成一个微粒子;在微粒子内部,采用离中心点先近后远的原则进行搜索,能有效地缩小搜索范围,提高聚类准确率。实验结果表明：在UCI多个标准数据集中测试,且与其他改进的K?medoids算法比较分析,该算法在有效缩短收敛时间的同时保证了算法聚类准确率。