基于稳健线性回归的多普勒频移的估计

分析了实际短波信道探测中多普勒频移测量的原理;介绍了M估计稳健线性回归的基本思想;采用稳健线性回归和一般最小二乘回归对多普勒频移的估计进行了模拟仿真,仿真表明,当出现异常值时,稳健线性回归拟合的误差小于一般最小二乘回归拟合的误差;给出了短波信道探测的初步结果,用稳健线性回归和一般最小二乘回归对实际探测所得信道冲击响应的相位进行拟合,结果表明,稳健线性回归拟合的性能高于一般最小二乘回归.     

基于均匀设计的线性回归模型稳健参数估计

针对一个线性回归模型的系统矩阵存在的随机扰动情况，提出一种基于均匀设计的稳健参数估计算法。仿真结果表明，采用本文算法估计回归模型参数，能较好地抑制随机扰动对模型预测精度的影响，提高模型的稳定性和抗干扰能力，同时为改进仪表测量误差对预测精度带来的影响提供了一条可行途径。     

基于MRA与回归分析法的短期电力负荷预测

为提高电力系统短期负荷预测准确度,首先利用多分辨分析的小波变换对短期电力负荷序列进行分解处理,根据其在小波各尺度上子序列的特性分别进行回归预测,再将预测结果进行小波重构,得到了满意的预测结果。     

基于线性判别分析的电力负荷预测

为了更加有效地减少电力负荷预测模型的输入变量以提高模型运行速度和预测精度,利用线性判别分析法（LDA）对输入变量进行降维处理,并与主成分分析法（PCA）在BP神经网络、支持向量机（SVM）和决策树梯度提升算法（LGBM）三种模型上进行实例分析对比,结果显示,使用LDA降维的三种模型的RMSE分别降低了42 MWh、62 MWh、55 MWh左右,MAPE分别降低了0.6%、0.9%、0.7%左右,预测精确度更高,在其中两种模型上还能显著缩短运行时间,模型的整体性能得到有效提高。     

基于多元线性回归数学模型的通信敏感信息快速识别方法

常规的通信敏感信息识别方法以敏感词语识别为主,忽略了图片、文本、语音等通信敏感信息,影响最终的信息识别效果。因此,设计了基于多元线性回归数学模型的通信敏感信息快速识别方法。提取通信信息敏感性特征,对通信敏感信息的表现形式进行分析,相同表现形式的信息统一分类,避免信息之间的相互干扰问题。基于多元线性回归数学模型分级识别敏感文档,过滤掉意思表达不清晰或有歧义的信息,并将信息的敏感性进行合并,得到通信信息的敏感性度量,从而快速识别通信信息的敏感性分级。标注通信敏感信息识别序列,根据敏感信息的敏感性标注,赋予对应的标签作为识别序列,按照标注序列逐级识别信息,从而满足敏感信息识别的完整性需求。采用对比实验,验证了该方法的敏感信息识别精准度更高,能够应用于实际生活中。     

基于高斯过程回归的电力负荷预测算法

针对基于传统算法的电力负荷预测方法误差大的问题,本文提出一种基于高斯过程回归的负荷预测算法。算法首先利用电量数据当作高斯过程回归的学习样本,并构建电力负荷预测模型,然后采用遗传算法对超参数进行优化,避免用共轭梯度法优化超参数的缺点。最后,利用测试集对该模型性能进行实验测试。基于某地区的电网数据的仿真显示,基于高斯过程回归的负荷预测算法比神经网络和支撑向量机算法的预测精度更高。     

基于模糊时间序列的短期电力负荷预测

本文利用时变模糊时间序列模型预测未来一小时的负荷,给出了一种短期电力负荷预测新方法。同时,分析了时变模糊时间序列模型相关参数对预测精度的影响。应用模糊时间序列进行电力负荷预测,克服传统时间序列在建立离散的递推模型时需要准确的数据的缺点,消除了病态数据对模型的影响。应用山东省某电力公司的数据进行仿真研究取得了较好的预测精度。     

基于线性回归的航班延误预测研究与系统开发

航班延误预测在航空领域有着广泛的应用,不仅可以减少航空公司在经济和信誉等方面的损失,而且可以给旅客提供更多的便利和更好的服务。利用线性回归方法设计一个Web服务,用来预测航班是否延误。用户输入航班号、出发时间、出发机场和到达机场,系统利用航班的历史记录和天气等信息预测航班到港时间。     

基于小波支持向量回归的电力系统负荷预测

根据混沌动力系统的相空间延迟坐标重构理论,基于支持向量回归强大的非线性映射能力和小波核函数的局部分析和特征提取能力,提出一种基于小渡支持向量回归的电力系统负荷预测模型,并采用最小二秉方法来训练该预测模型,利用该模型对嵌入维数与模型预测性能的关系进行探讨.仿真结果表明,该预测模型能精确地预测电力系统负荷,而且在电力系统负荷的最佳嵌入维数未知时也能取得比较好的预测效果.     

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。     

基于模糊集理论的短期电力负荷预测

利用BP神经网络进行电力系统短期负荷预测，应用模糊集理论将天气、温度等敏感因素模糊化后作为BP神经网络的一部分输入进行训练，构造了相应于不同季节的预测模型，预测未来一天12小时负荷。典型算例的计算表明，该方法是有效的。     

基于DTW的长期直觉模糊时间序列预测模型

针对现有直觉模糊时间序列模型中直觉模糊关系组和确定性转换规则过度依赖训练数据规模的问题,提出一种基于动态时间弯曲（DTW, dynamic time warping）距离的长期直觉模糊时间序列预测模型。通过直觉模糊C均值（IFCM, intuitionistic fuzzy C mean）聚类构建直觉模糊时间序列片段库,动态更新和维护规则库,减少系统复杂度。提出基于DTW距离的直觉模糊时间序列片段相似度计算方法,有效解决不等长时间序列片段匹配问题。通过对合成数据以及包含不同时间序列模式的气温数据的实验,与其他相关模型比较,说明该模型对于不同时间序列趋势变化模式中均具有较高的预测能力,克服传统模型提高模型只能满足单一模式时间序列预测,提高模型的泛化性能。     

基于注意力机制和EMD-GRU模型的电力负荷预测

为提高非平稳性电力负荷的预测精度以及充分挖掘历史负荷数据的时序特征,本文提出了基于注意力(Attention)机制和经验模态分解(EMD)以及门控循环神经网络(GRU)组合的负荷预测方法.首先使用EMD对原始负荷数据进行EMD分解,继而得到有限个具有本征模态函数(IMF)的分量;然后考虑到各分量间的相关性,使用多层GR...     

基于小波变换的话务量预测

本文将小波变换应用到话务量的预测中,利用小波分解法将非平稳时间序列的GSM话音话务量分解为多个细节信号分量和逼近信号分量。对细节信号采用AR模型或者余弦逼近进行拟合建模,对逼近信号采用多项式拟合和AR模型相结合的方式建模。利用某运营商2009年1月~2013年7月每月的博彩日话音话务作为检验序列集,前50个月的数据用来建模拟合,最后5个月数据作为预测比较,发现拟合相关度为0.991,预测平均绝对误差为0.029,预测结果比单纯使用曲线拟合要好。     

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.     

基于时间序列的存储负载预警研究

数据中心存储负载率高会引起应用系统性能下降甚至导致系统瘫痪,预测存储未来的负载情况,能有效避免应用系统因出现存储容量耗尽引发的系统故障.本文采用时间序列分析法探讨研究存储性能历史数据,基于python构建存储容量预测的ARIMA模型,实现存储负载自动预警.     

基于支持向量机的电力短期负荷预测研究

以城市电力负荷预测为应用背景,根据电力负荷的特点和支持向量机(SVM)方法在解决小样本学习问题中的优势,提出基于SVM的电力短期负荷预测模型,并使用粒子群优化算法优化其参数.基于SVM的电力短期负荷预测模型的运行结果与BP神经网络模型对比表明,前者稳定性好,运行速度快,准确率高.