基于K-折交叉验证和Stacking融合的短期负荷预测

短期负荷预测对于电力系统的经济调度和稳定运行具有重要意义.为了提升短期负荷预测的精度,提出基于K-折交叉验证和Stacking融合的短期负荷预测方法.首先,基于皮尔逊相关系数对影响短期负荷的多个特征进行筛选,剔除冗余特征.其次,利用K-折交叉验证法训练第一层的各个子模型,并将各个子模型的预测结果作为新特征用于训练第二层...     

基于特征选择和SVM的电信客户离网预测

针对数据挖掘算法在预测电信客户离网时存在的过拟合问题,提出一种基于特征选择和支持向量机的电信客户离网预测算法。将原始的电信数据分别进行数据缺失值填充、数据冗余识别、数据结构化和数据归一化等预处理,得到利于分析处理的规范性数据;利用信息增益完成特征选择,提取影响客户离网的主要因素,降低数据维度,防止出现过拟合现象。将经过特征选择后的数据作为支持向量机算法的输入数据对客户是否离网进行分类,预测客户是否存在离网行为。测试结果表明,该算法预测离网客户的正确率为86%,提升了离网客户预测准确率。     

引入权重分布RBO的CVT不平衡样本过采样算法

基于数据驱动的电容式电压互感器(Capacitor Voltage Transformer,CVT)误差状态预测技术面临着数据不平衡,小样本数据不足的困境。针对该问题,整合DBSCAN聚类算法和基于径向的过采样算法(Radial-Based Oversampling,RBO),并在此基础上提出了一种引入权重分布RBO的过采样算法(Weight Distribution and Radial-Based Oversampling,WD-RBO)。该算法首先使用DBSCAN对CVT超差样本聚类,过滤数据集中的噪声;其次,通过簇密度分布函数和质心势能,计算超差样本各个簇的采样权重,确定每个簇中合成新样本的数量;最后,使用改进的RBO过采样算法合成新超差样本。实验结果表明,与SMOTE和RBO等过采样算法相比,WD-RBO使得预测模型的准确率和AUC值分别提高到0.967和0.996,且运行时长满足应用要求。WD-RBO可以有效解决类间不平衡和类内不平衡,提高模型对CVT误差状态的预测性能。     

混合Lebesgue空间中平移不变信号的随机采样稳定性

采样和重构是采样理论中2个重要的问题.在采样集满足稳定性的情况下,信号可以从离散采样集中稳定地重构.为了达到信号重构的目的,对混合Lebesgue空间中平移不变信号的随机采样稳定性进行研究,重点研究能量集中子集上信号的采样稳定性.在生成元满足紧支性和平移稳定性的条件下,定义能量集中子集的标准化子集;研究能量集中子集上信...     

基于网函数插值理论的结构表面风压预测

影响结构表面风荷载分布特性的因素很复杂,且具有不确定性,仅靠风洞试验难以完整地获得和描述其风荷载分布特性。因此,探讨了基于网函数插值理论的结构表面风压分布预测。首先,介绍了一种可多方向拟合一次误差调整的网函数插值法,并基于网函数插值技术对于多个传感器所获得的数据进行数据融合,提出了结构表面风压分布预测方法,然后用风洞试验数据进行了验证。实例验证结果表明：网函数插值法可以根据布置在结构物表面的测点网,快速计算出相邻位置的表面风压值,这是作为数据融合手段预测结构表面风压分布特性的一个有效途径,且该方法稳定性好,简单实用,精度较高,可被应用于风洞试验中减少测点数量和扩充复杂建筑表面风压分布数据等。     

基于SMOTE-XGBoost的变压器缺陷预测

变压器在电力系统中发挥着变换电压、分配电能等重要作用。其故障缺陷将严重危及电力系统的安全运行,从而造成巨大的经济损失和不良的社会影响。因此,变压器的缺陷故障诊断对电力系统的安全运行和社会的发展至关重要。现有关于变压器缺陷诊断的研究颇多,但变压器缺陷数据集类别不平衡仍是准确预测变压器缺陷的难点。为了解决这一难题,提出了一种基于SMOTE (Synthetic Minority Oversampling Technique)-XGBoost (Extreme Gradient Boosting)的变压器缺陷预测模型。首先,通过SMOTE算法来处理不平衡数据集,然后构建XGBoost模型预测变压器缺陷。为了表现模型的优越性,研究增加了对比实验。即将原始数据集和经过Up_Sample,CSL和Down_Sample与SMOTE四种方法处理后的数据集分别与决策树(CART)、支持向量机(SVM)、Logistic回归和XGBoost模型四种预测模型两两组合进行预测。实验结果表明,基于SMOTE-XGBoost模型的变压器缺陷预测效果最优。     

改进SMOTE的过采样算法

针对不平衡数据集分类,现有的过采样算法更多地解决了类间不平衡问题,而未考虑少数类的类内不平衡,未筛选进行过采样的样本及未去除噪音,且合成过程中存在样本重叠及样本分布"边缘化"等问题,提出一种基于层次聚类和改进SMOTE的过采样算法AGNES-SMOTE.该算法对多数类和少数类样本分别进行层次聚类,并根据获得的多数类簇划...     

一类新的基于神经网络预测的变周期网络控制系统采样方案

提出了一类新的能够减轻时延对网络控制系统影响的基于神经网络预测的变周期网络控制系统采样方法,简要论述了在网络控制系统中融入了BP神经网络后,如何对它进行建模、分析、控制,被选作采样周期的时延可以利用BP神经网络工具进行在线预测,文中还给出了一种新的可以应用于生产实践的网络控制系统推广模型．     

基于混合模型的网络流量预测研究

随着网络应用的多样化发展,分析网络流量的行为特性并建立模型进行预测,对于网络管理与流量工程有着重要意义.通过对多种流量预测方法的分析和比较,指出单一预测模型的局限性,并结合近年流量的新特性提出:网络流量的建模预测必须建立在流量重要特性的基础上,采用混合模型可以更全面、准确地描述和预测流量的行为趋势.     

一种基于主动学习的集成协同训练算法

为了更好地发挥主动学习、半监督学习和集成学习这3种机器学习方法的优势,研究了1个不需要2个充分冗余视图、泛化能力强的高效学习算法。从聚类假设出发,给出每轮协同训练过程中添加自动标记样本的置信度度量方法,降低误标记率;提出作为主动选择未标记样本依据的贡献度的概念,贡献度越高的样本,越具有人工标记的价值,在协同训练迭代结束后,选择贡献度高的样本标记,就能增强反馈的效果,提升学习性能,提出一种基于主动学习的集成协同训练算法。应用于图像检索的实验结果表明,提出的算法是高效可行的。     

一种基于小生境的负相关神经网络集成算法

提出了一种基于小生境的负相关神经网络集成算法.所提方法结合了负相关学习和进化算法,采用同时训练的方式对多个神经网络进行训练,不仅能使网络之间产生有效的差异度,而且能促进网络之间的交互性和合作性.此外,在进化过程中引入了一种改进的小生境技术,能更有效地维持网络种群的多样性,从而保证神经网络集成的差异度.所提方法在6个分类数据集上进行了测试,并且与一些相关神经网络集成方法进行对比.实验结果表明所提方法能得到一个有效的神经网络集成.     

基于选择性集成学习的焊接缺陷识别研究

针对射线检测焊缝图像中缺陷识别正确率低的问题,提出一种选择性集成学习的焊接缺陷识别算法.算法中的个体学习器由稳定分类器和非稳定分类器组成,使用SVM-RFE算法移除集成学习器中的冗余个体学习器,保留子学习器预测输出加权作为集成学习器的输出,有效地增强了个体之间的差异性,进而提高了集成的泛化性能.结果表明：该算法充分利用更多的缺陷特征和样本数据集信息,继承了强集成学习的优点,有效地提高分类正确率.使用一对多的方法把二分类选择性集成学习器推广到多分类问题中,所提出的算法在训练精度为92.4%时;焊缝缺陷识别率提高到85.5%.     

多源性数据SVM集成算法研究

针对数据特征的多源性特点,提出基于分组特征支持向量机集成算法．该方法将特征分组,对不同组特征采用不同的核函数映射到高维空间后用支持向量机分类,最后采用投票的方法得出决策标记,所得到的成员分类器具有较高的差异性．与传统的集成方法相比,该方法具有较好的检测性能．     

基于粒子滤波的神经网络学习算法

为了克服一般神经网络学习方法易陷入局部极小值的缺陷,提出一种新的基于粒子滤波的神经网络学习算法.采用无迹卡尔曼滤波(Unscented Kalman Filter,UKF)产生粒子,以较少的粒子逼近状态的后验概率分布,搜索到经验风险函数的最小值.此方法适用于在线的、非线性的、非高斯的神经网络学习.仿真结果表明,该学习方法与同类方法相比,性能明显提高.     

T-S norm FNN controller based on hybrid learning algorithm

Aiming at the problems that fuzzy neural network controller has heavy computation and lag,a T-S norm Fuzzy Neural Network Control based on hybrid learning algorithm was proposed.Immune genetic algorithm (IGA) was used to optimize the parameters of membership functions (MFs) off line,and the neural network was used to adjust the parameters of MFs on line to enhance the response of the controller.Moreover,the latter network was used to adjust the fuzzy rules automatically to reduce the computation of the neural network and improve the robustness and adaptability of the controller,so that the controller can work well ever when the underwater vehicle works in hostile ocean environment.Finally,experiments were carried on " XX" mini autonomous underwater vehicle (min-AUV) in tank.The results showed that this controller has great improvement in response and overshoot,compared with the traditional controllers.     

基于云计算平台的代价敏感集成学习算法研究

针对现实生活中大规模不平衡数据的分类问题,设计了一种基于云计算平台的代价敏感集成学习分类算法。Hadoop云计算平台对海量数据进行划分用于并行学习,同时结合代价敏感的思想对学习得到的基分类器进行加权集成,实现了云计算平台上的代价敏感集成学习分类模型。仿真实验表明该模型能够明显提高少数类的查全率,同时Hadoop的并行机制使得云平台坏境下的集成学习时间较集中式环境有大幅度的缩减,进一步提高了大规模不平衡数据分类问题的学习效率。     

图卷积神经网络行人轨迹预测算法

针对行人轨迹预测任务中行人间的交互模式难以被有效构建的问题,提出了一种基于图卷积神经网络的算法TP-GCN来建立行人交互模型并进行轨迹预测.首先对行人的轨迹序列使用长短期记忆网络提取轨迹运动特征;随后将行人视为图结构中的顶点,创建表示相互关系的邻接矩阵,并根据视觉盲区范围筛除无关顶点间的连接权重;然后对于轨迹运动特征,...