基于VMD和改进TCN的短期光伏发电功率预测

光伏发电功率存在波动性,且光伏出力易受各种气象特征影响,传统TCN网络容易过度强化空间特性而弱化个体特性。针对上述问题,文中提出一种基于VMD和改进TCN的短期光伏发电功率预测模型。通过VMD将原始光伏发电功率时间序列分解为若干不同频率的模态分量,将各个模态分量以及相对应的气象数据输入至改进TCN网络进行建模学习。利用中心频率法确定VMD的最优分解模态分解个数。在传统TCN预测模型的基础上,使用DropBlock正则化取代Dropout正则化以达到抑制卷积层中信息协同的效果,并引入注意力机制自主挖掘并突出关键气象输入特征的影响,量化各气象因素对光伏发电的影响,从而提高预测精度。以江苏省某光伏电站真实数据为例进行仿真实验,结果表明所提预测方法的RMSE为0.62 MW,MAPE为2.03%。     

自适应图像组的稀疏正则化图像复原

基于图像组的稀疏正则化图像复原方法采用自适应的结构组字典来代替传统的基于整幅图像块的学习字典,既能够更好的学习局部特征又显著降低字典学习的时间复杂度;然而,因算法中的一些参数还未优化,使得算法复杂度还比较高。因此,本文提出了基于粗糙度的自适应图像组的稀疏正则化图像复原方法。首先,计算图像的全局粗糙度和局部粗糙度;然后,根据全局的粗糙度计算自适应调整正则化的迭代次数,根据局部的粗糙度调整学习字典所需的样本数;最后,将自适应调整出的参数应用于基于图像组的稀疏正则化的图像复原中。将本文所提出的方法应用到不同平滑度图像的去文字图像复原案例中,实验结果表明,在保证相近的复原效果下,能够大幅度提升效率,尤其在较为平滑的图像中能够达到接近30倍的加速比。     

基于多尺度高斯核的分布式正则化回归学习算法

针对工业、信息等领域出现的基于较大规模、非平稳变化复杂数据的回归问题,已有算法在计算成本及拟合效果方面无法同时满足要求.因此,文中提出基于多尺度高斯核的分布式正则化回归学习算法.算法中的假设空间为多个具有不同尺度的高斯核生成的再生核Hilbert空间的和空间.考虑到整个数据集划分的不同互斥子集波动程度不同,建立不同组合系数核函数逼近模型.利用最小二乘正则化方法同时独立求解各逼近模型.最后,通过对所得的各个局部估计子加权合成得到整体逼近模型.在2个模拟数据集和4个真实数据集上的实验表明,文中算法既能保证较优的拟合性能,又能降低运行时间.     

正则化图形模糊聚类及鲁棒分割算法

针对现有图形模糊聚类算法合理性差和抗噪能力弱的问题，提出嵌入对称正则项的图形模糊聚类鲁棒算法。将样本聚类所对应的中立度与拒分度相结合构造对称正则项，嵌入现有图形模糊聚类所对应的目标函数；同时，利用像素邻域所对应的均值信息辅助当前像素聚类并构造了空间信息约束正则项，采用拉格朗日乘子法获得正则化图形模糊聚类鲁棒分割算法。不同噪声干扰图像分割结果表明，所建议的分割算法是有效的，相比现有的鲁棒模糊聚类分割算法具有更强的抑制噪声能力。     

船体结构冰载荷反演方法及试验验证

冰载荷是影响船舶冰区航行期间结构安全的重要环境载荷。船舶的冰压监测通常采用应变传感器，合理地布放传感器是识别冰载荷的基础。通过对比船体外板结构试验中的冲击载荷和不同测试方案下的应变信号，确定了最佳应变传感器布放方案；采用Green核函数方法建立了船体外板结构应变冲击载荷间的响应关系，并对采集信号在噪声影响下反演的不适定性进行了分析；采用Tikhonov正则化方法克服了载荷反演过程中出现的数值不稳定问题；最后将试验中的响应用到载荷识别分析中，反演的载荷可以较为准确地反映冲击载荷的时域特征并且载荷识别精度良好。     

面向文本数据的正则化交叉验证方法

面向文本数据建模时,交叉验证方法是特征选择及模型比较任务中的常用方法。许多研究表明,文本数据模型的性能估计对交叉验证的数据切分方式较为敏感,不合理的切分方式可能会导致不稳定的性能估计值,使得实验结果可复现性差。该文试图论证基于多次重复(m次)的2折交叉验证,通过引入对训练集、验证集分布差异的约束,所构造的正则化m×2交叉验证方法(简记为m×2 BCV)可以改善模型的性能指标的估计,适宜于模型比较。该文首先针对文本数据引入训练集与验证集分布差异的卡方度量,基于该度量构建数据切分的正则化条件,以最大化模型性能指标的信噪比为目标,给出了满足正则化条件的m×2 BCV的数据切分优化算法。最后,以自然语言处理中汉语框架语义角色标注任务为例,验证了基于m×2 BCV方法的有效性。