应对气候变化背景下的风景园林途径

近日,中国气象局国家气候中心组织的盛夏(7-8月)全国气候趋势及主要气象灾害预测会商会在北京召开,预计盛夏极端天气事件偏多,阶段性强降水、暴雨洪涝、高温热浪等灾害较重。气候变化议题起源于20世纪中叶,现已成为国际政界、学术界、非政府组织和公众关注的焦点。2021年联合国气候变化大会(COP26)以及IFLA气候行动承诺都强调从减缓与适应两个方面应对气候变化危机。《中国应对气候变化的政策与行动》白皮书指出,积极应对气候变化,共谋人与自然和谐共生之道。从《巴黎协定》的达成与落实,到对于“双碳”目标的庄严承诺,再到碳达峰、碳中和“1+N”政策体系的构建,无不彰显着中国政府应对气候变化的坚强决心。     

改进ELM的毁伤类电磁目标威胁评估

为解决毁伤类电磁目标威胁评估存在专家主观性不易避免、目标类型庞杂、影响因素复杂、时间约束性强等客观问题,建立了毁伤类电磁目标威胁评估指标体系,并提出了与之相适应的云极限学习机(Cloud ELM)威胁评估方法,该方法借助云模型方法对传统的极限学习机进行改进,有效解决了极限学习机在知识表示方面的缺陷.案例仿真验证了指标体系与评估方法在脱离专家条件下自主评估的有效性,同时利用云支持向量机(Cloud SVM)进行对照检验,说明了方法的高精确度与低时间复杂度优势.     

基于S变换和ELM的变压器绕组应变检测识别

目前变压器绕组应变监测主要分为离线检测和在线检测,由于受现场复杂电磁环境的干扰,在线检测并未得到广泛应用,离线检测虽技术较为成熟,但无法准确判断绕组应变形式。基于以上问题,文中提出了基于分布式光纤传感的变压器绕组应变检测方法,并提出了基于S变换和极限学习机(ELM)的绕组应变识别方法。首先模拟变压器运行过程中绕组可能出现的变形形式,采集相应的布里渊频移;然后通过S变换对应变信号进行时频分析,提取变换后的时频特征量作为神经网络的输入样本,采用极限学习机(ELM)进行训练识别。实验分析表明,该方法能够有效识别常见绕组变形形式,识别效果较好,准确率高。     

基于小波变换和极限学习机的电能质量扰动分类

利用小波变换(WT)和极值学习机(ELM)对电能质量事件(PQE)进行识别分类,利用离散小波变换(DWT)对信号进行多分辨率分析,获得PQ信号的特征能量系数,并在25、35、45dB噪声环境下,构造了3种PQ数据集。ELM是一种有效的广义单隐层前馈网络(SLFNs)学习算法,可用于识别各种多分类问题。对比试验与现有方法结果,证明基于小波变换的极限学习机能对8种扰动进行有效分类,具有鲁棒性强的识别结构,可用于实际电力系统信号分类。     

基于泛在电力物联网技术的配电网故障诊断方法优化

现有的泛在电力物联网下的配电网故障诊断方法属于灾后处理方法,在极端恶劣天气大范围影响配电网稳定运行情况下,不能满足配电网发展需求。为此从泛在电力物联网的感知层、网络层、平台层、应用层4个方面对配电网故障诊断方法进行了优化,实现在极端恶劣天气下对配电网故障进行预判,进而能够主动防御,保证配电网的安全稳定运行。     

基于奇异谱分析和极限学习机的风速多步预测

风速预测对风力发电系统具有重要的影响,为获得更高精度的风速预测结果,针对多步风速预测,成功开发了一种基于奇异谱分析和优化极限学习机的新型预测模型。首先,采用奇异谱分析将风速时间序列分解为一组相对平稳的分量,以降低风速序列的随机性对预测结果的影响;然后,对分解得到的分量分别建立极限学习机预测模型,为进一步提高预测性能,将1种新颖的活性竞争萤火虫算法用于优化极限学习机的输入权值和隐含层偏置;最后,叠加全部分量的预测值得到实际预测结果。仿真结果表明,基于奇异谱分析和活性竞争萤火虫算法优化极限学习机的模型在1步到3步风速预测中实现了较高精度的预测结果。     

凯斯携多款新品亮相 关注社会民生

正展会期间,凯斯工程机械携全新轮式装载机、振动压路机、M系列推土机、特别版挖掘装载机以及第一款D系列液压挖掘机等新产品,参加了2014年拉斯维加斯工程机械展会,同时,由凯斯发起的"探访美国极端地带"的活动也在此次展会中亮相。     

基于范数优化超限学习机的矿浆浓度预测

选矿过程中的矿浆浓度是一个重要的生产工艺参数,一般可以通过预测矿浆浓度来提高生产效率。由于矿浆浓度和其他的生产工艺参数往往非线性相关,这给矿浆浓度的预测带来了很大困难。本文针对此问题,基于超限学习机这一面向神经网络的新颖学习算法,提出了一种矿浆浓度预测新算法。首先,使用相空间重构方法对矿浆浓度数据进行预处理,从一维转换到多维。然后,使用基于L2范数的超限学习机算法（ELM-L2）建立时序预测模型,实现预测功能。围绕来自于某矿厂的真实生产数据进行了实验验证,结果显示,针对大规模的数据样本集,所设计的算法与传统神经网络预测算法相比,训练时间大约减少了30%,而预测精度大约提高了48%。实验结果表明了所设计预测算法的有效性。     

基于一维卷积特征与手工特征融合的集成超限学习机心跳分类方法

融合手工特征和深度特征,提出了一种集成超限学习机心跳分类方法。手工提取的特征明确地表征了心电信号的特定特性,如相邻心跳时间间隔反映了心跳信号的时域特性,小波系数反映了心跳信号的时频特性。同时设计了一维卷积神经网络对心跳信号特征进行自动提取。基于超限学习机（Extreme leaning machine,ELM）,将上述特征融合进行心跳分类。由于ELM初始参数的随机给定可能导致其性能不稳定,进一步提出了一种基于袋装（Bagging）策略的多个ELM集成方法,使分类结果更加稳定且模型泛化能力更强。利用麻省理工心律失常公开数据集对所提方法进行了验证,分类准确率达到了99.02%,实验结果也表明基于融合特征的分类准确率高于基于单独特征的分类准确率。