排序方式: 共有26条查询结果,搜索用时 0 毫秒
1.
针对风电功率的高随机和强波动性,提出一种基于EMD-SA-SVR的风电功率超短期预测方法。采用经验模态分解(Empirical Mode Decomposition, EMD)提取风电功率序列的不同特征。将原始序列分解为多个更具规律的模态,针对每个模态序列建立各自的预测模型,以消除不同特征之间的相互影响。鉴于支持向量回归(Support Vector Regression, SVR)好的泛化能力,研究建立基于SVR的各模态预测模型。进一步采用模拟退火(Simulated Annealing,SA)算法对SVR参数进行优化以解决模型选择的多极值复杂非线性问题,获得各模态分量的最优模型,进而汇总各模态分量的结果得到风电功率预测值。在某风电场历史数据上的对比分析表明,EMD-SA-SVR模型可以有效提高风电功率超短期预测精度。 相似文献
2.
为适应支持向量机(Support Vector Machine,SVM)算法应用过程中的不同性能指标要求,将SVM算法的模型选择问题作为一个多目标优化(Multi-Object Optimization,MOO)问题进行处理。以改进的粒子群优化(Particle Swarm Optimization,PSO)算法对该多目标优化问题进行求解,得到其Pareto解集,在具体应用中根据实际需要从Pareto解集中选择适合的最优解作为支持向量机算法参数,实现支持向量机算法的模型选择。在几个数据集上的仿真实验表明,该方法能够较快地得到Pareto解集,解集中的参数组合能够满足对支持向量机算法速度和泛化能力的不同要求。 相似文献
3.
为解决经典粗糙集理论在处理连续、离散混合属性决策表离散化时规则数多、准确率低的问题,采用基于贪心算法和属性值区间概率相结合的离散化方法,该方法针对传统的对混合决策表仅考虑连续属性离散化的问题。首先运用改进的贪心算法对混合决策表中的连续属性进行初步离散化,然后计算连续属性各属性值区间概率,并对取值概率大的区间细化,最后再考虑对原来的离散属性进一步离散化,从而增强系统分辨能力;且离散化后的决策表总是相容的,与目前很多离散方法不考虑决策相容性相比,该方法能够最大限度地保留系统的有用信息。通过仿真分析验证了该方法的有效性。 相似文献
4.
针对最小二乘支持向量机缺乏稀疏性的问题,提出了一种基于边界样本的最小二乘支持向量机算法。该算法利用中心距离比来选取支持度较大的边界样本作为训练样本,从而减少了支持向量的数目,提高了算法的速度。最后将该算法在4个UCI数据集上进行实验,结果表明:在几乎不损失精度的情况下,可以得到稀疏解,且算法的识别速度有了一定的提高。 相似文献
5.
最小二乘支持向量机的一种非均衡数据分类算法 总被引:2,自引:2,他引:0
为了提高支持向量机的非平衡数据分类能力,分析了最小二乘支持向量机的本质特征,提出了一种基于中心距离比的非平衡数据分类算法,同时通过修剪边界样本,解决了最小二乘支持向量机缺失稀疏性的问题.在UCI标准数据集上进行的试验表明:该算法能够有效地提高支持向量机对非均衡分布数据的正确性,且该算法在不影响训练精度的前提下,可以得到稀疏解,算法的训练速度也有了一定的提高. 相似文献
6.
为解决经典粗糙集理论在处理决策表离散化时规则数多、准确率低的问题,文中提出基于贪心算法和属性值分布率相结合的二次离散化方法.与目前很多离散方法不考虑决策相容性相比,该方法能够最大限度地保留系统的有用信息.通过实验验证了该方法的有效性. 相似文献
8.
9.
为提高车辆控制算法对不同道路的适应能力,在原有学习预测控制算法的基础上,本文提出一种基于经验迁移的赛车学习预测控制策略.基于所建立的赛车曲线坐标系模型,记录小车在历史赛道上的行驶轨迹,将其作为采样安全集.采样安全集蕴含了车辆行驶的经验信息.在新赛道上,通过与采样安全集内曲率相近的轨迹进行特征匹配,找出新赛道的虚拟路径跟踪轨迹.然后,对虚拟路径跟踪轨迹附近的采样点进行坐标变换,将历史轨迹转换为新赛道的虚拟采样轨迹,实现对历史赛道上的行驶经验的迁移.构造了迁移学习预测控制(TLMPC),使小车在新的赛道上能够通过学习预测控制器以更快的速度行驶.本文在4个典型赛道上进行了仿真,结果表明所设计的控制策略控制效果有明显提升.与LMPC相比, 10次迭代结果中单圈耗时至少减少了1.2 s. 相似文献
10.
低NO_x排放是电站锅炉燃烧优化的主要目标之一,影响燃煤锅炉NO_x排放因素众多且复杂,对锅炉燃烧过程NO_x浓度进行准确预测是低NO_x燃烧优化的基础。机组全工况运行时表现出强时变性,静态预测模型难以保证预测精度,考虑到观测样本的时效性,模拟记忆模式对观测数据进行重采样,进而基于支持向量回归算法构建NO_x排放预测模型,构造一种基于记忆模式的支持向量回归算法。以某机组热态试验数据为基础,对算法进行了仿真分析,结果表明,该算法在保证回归建模精度的同时,在训练速度、稳定性以及泛化性能等方面较传统支持向量回归算法更有优势。 相似文献