基于长短期记忆神经网络和改进型K-means聚类算法的居民峰谷时段划分模型

为了解决传统峰谷时段划分方法因只选取单一典型日而无法在较长时间范围内适用的问题,提出一种基于长短期记忆神经网络（long short-term memory,LSTM）和改进型K-means聚类算法的居民峰谷时段划分模型: 首先对居民用户一整年的负荷数据进行有效性检查和归一化处理,保证数据的准确可靠;接着将处理后的负荷数据按照不同季节及不同日期类型进行相应的分类,保证分类的数据具有较强的相似性;然后将数据按分类分别加入LSTM进行训练,获得用户在不同分类下的负荷特征数据;最后利用改进型K-means聚类算法对训练得到的负荷特征数据进行聚类分析,并依据相应的权重矩阵及划分原则获得最终的时段划分结果。结果表明,相对于经典及当地的时段划分,所提方法的时段划分轮廓系数平均值更大,方差更小,更能反映居民用户实际的用电特点及用电规律,有利于挖掘用户侧需求响应潜力,获得更优的削峰填谷效果。     

基于Pspice仿真的CS114测试滤波设计

以电磁兼容传导性试验CS114为例,用Pspice软件对干扰信号进行建模,针对有用信号进行滤波电路设计,并用Pspice软件对电磁干扰信号和有用信号进行仿真分析及滤波后的对比。结果表明:Pspice软件的仿真结果对电磁兼容工程的设计及整改有一定的指导意义。     

基于启发式规则的多媒体主题信息挖掘

随着Internet的发展,Web上信息呈爆炸式增长趋势,呈现方式也愈发多种多样,这就给多媒体内容的检索,信息提取等计算机处理带来了巨大困难。针对信息提取后,网页的多媒体内容的不一致性,本文提出了一种Web网页多媒体信息提取的融合算法。该算法通过对图像和文本的语义融合,判断信息提取后的网页中的各种形态的内容是否一致,并通过网页中的文字更加准确地表示图片所传达的内容。对来自30个网站的307个网页进行测试后的实验表明,本文提出的方法是可行的。     

两种湿地植物去除污染物性能研究及其在小型湿地系统中的应用

文章对两种耐寒、易得、具有一定药用和观赏价值的植物石龙芮(Ranunculus sceleratus L.)和酸模(Rumex acetosa L.)进行了研究,以期为提高和稳定人工湿地的净化功能提供基础理论数据。首先对两种植物进行无土栽培的实验,研究其对污水中氮磷的吸收净化效果。然后将其应用到人工湿地系统,研究其实际应用情况。实验表明,在无土栽培实验阶段,两种植物对污水中氮、磷的去除贡献分别为37%、40%,这其中分别有96%、64.4%的氮和磷被植物吸收到体内,适合于构建人工湿地。在实际应用阶段,人工湿地系统中各种污染物的去除率最高为氨氮(NH3-N)64.03%,总氮(TN)66.33%,由于进水磷浓度过低,导致了基质中磷的释放,其释放程度与水中磷浓度有关。根据实验结果,认为石龙芮和酸模属适宜的人工湿地植物,其净化特性还有待于更深层次的研究。     

基于双阈值AdaBoost算法的4-CBA含量软测量建模

针对PX氧化过程中4-CBA含量无法在线测量的问题,提出了一种基于双阈值更新样本权重的AdaBoost算法,该算法以BP神经网络作为弱学习器,采用轮盘赌方法根据样本权重在训练样本集中选择部分样本训练弱学习器,采用上一轮弱学习器的训练相对误差绝对值来更新所有训练样本的权重,在此基础上,用双阈值对样本误差范围进行划分,然后用不同的权重因子与原来的样本权值相乘实现样本权值的二次更新。该过程降低了含有大误差的样本的权值,增加了较大误差的样本的权值,从而减小了在下一轮训练过程中选到异常样本的概率。分别采用5种不同的方法并用实测的工业数据建立了4-CBA含量软测量模型,仿真结果表明用提出的改进AdaBoost算法建立的4-CBA含量软测量模型,其预测误差小于其他方法建立的模型误差。     

基于无迹卡尔曼滤波的动力电池健康状态估计

准确估计动力电池的荷电状态(SOC)及健康状态(SOH)是电池领域的关键性技术,对正在服役的动力电池进行全面安全精确的管理是保障电动汽车安全高效运行的前提。以二阶RC等效电路模型为基础,运用无迹卡尔曼滤波算法(UKF)对电池SOC和欧姆内阻进行实时估计,再利用电池欧姆内阻与SOH的关系,实现了对SOH的实时估计。与传统的扩展卡尔曼滤波算法相比,无迹卡尔曼滤波算法无需对状态方程进行线性化处理,不存在截断误差,具有更高的估算精度与稳定性。