基于短路容量量化评估的大规模新能源直流送端电网运行方式优化方法

直流送端电网中需保证一定数量的常规机组提供短路容量以平抑电压波动,而开机容量过大将挤占新能源消纳空间,为电网运行方式优化带来了难题.对此,基于支路潮流法揭示了暂态过电压与直流母线短路容量的关系,推导出保证一定暂态过电压水平的最小母线短路容量的量化算法,提出了利用常规机组短路电流权重指数作为考虑短路容量约束的机组优化组合权重因子,给出了常规机组开机方式与各条直流短路容量需求之间的量化关联关系.基于该方法建立了考虑直流近区短路容量约束的机组组合优化模型,采用机组组合优化算法统筹考虑各种约束,优化机组开机方式,在保证安全稳定运行的基础上实现了新能源最大消纳.最后以西北某省级电网为例验证了所提方法的有效性及优越性.     

关于城镇密集区协调发展规划的实践与思考

城镇密集区协调发展规划要以科学发展观作为指导思想,突破传统的行政区界限的束缚,按照"整体推进、集聚发展、集约经营"的原则,引导生产要素的流动和集聚,推进区域一体化发展.要实行"空间开发管制",加强政府对区域经济社会和资源环境的综合调控.在推动规划实施上,要改革创新管理体制,健全区域协调机制.     

基于搜索结果的个性化推荐系统研究

搜索引擎返回的信息太多且不能根据用户的兴趣提供检索结果，使得用户使用搜索引擎难以用简便的方式找到感兴趣的文档。个性化推荐是一种旨在减轻用户在信息检索方面负担的有效方法。文中把内容过滤技术和文档聚类技术相结合，实现了一个基于搜索结果的个性化推荐系统，以聚类的方法自动组织搜索结果，主动推荐用户感兴趣的文档。通过建立用户概率兴趣模型，对搜索结果跚℃聚类的基础上进行内容过滤。实验表明，概率模型比矢量空间模型更好地表达了用户的兴趣和变化。     

米曲霉固态发酵豆粕制备大豆肽的研究

对米曲霉固态发酵豆粕生产大豆肽的条件进行了研究。结果表明,最适的发酵原料（由豆粕和麸皮组成）中豆粕含量为93％,发酵温度35℃,初始pH值为6．8,发酵时间102h。在此条件下,发酵得到的大豆肽转化率达62．77％。     

Web缓存层次模型与代价分析

Web缓存分层结构在避免单点失效、提高缓存性能方面具有重要作用.论文研究了Web缓存层次模型,提出请求分发的三种模式,并利用代价函数分析探讨了缓存模型性能.根据Web访问共同特征,实验采用数学建模方法生成模拟日志,模拟不同层采用不同替换算法(LRU、LFU、GDS)时的缓存性能.结果表明,模拟日志的高频区、低频区流行度访问特征分别服从齐普夫第一定律、第二定律,具有真实日志的特性,能够模拟用户请求评价Web缓存层次模型性能;当低层代理缓存采用LFU或LRU替换算法,高层代理缓存采用GDS替换算法时,两层缓存模型在命中率、字节命中率方面有较好的性能表现.     

基于IHS变换与自适应区域特征的遥感图像融合算法

当前较多遥感图像融合算法主要通过独立像素点的像素特征来完成图像子带的融合,忽略了图像子带的区域相关性,导致融合图像存在不连续以及模糊效应等不足。因此,设计了IHS变换耦合自适应区域特征的遥感图像融合算法。引入IHS(intensity, hue, saturation)变换,对多光谱(MS)图像进行分解获取强度分量,将其与全色(PAN)图像进行融合。再通过非下采样Contourlet变换(NSCT)对PAN图像与强度分量进行子带分解,获取高、低频子带信息。并利用图像的区域能量以及区域空间特征,对低频子带融合模型的调节因子进行自适应整定,使得融合低频子带能够包含更多的空间信息。基于图像的区域方差特征来构建高频子带融合模型,使得融合高频子带能够包含更多的纹理信息。实验结果表明,与当前遥感图像融合算法相比,所提算法的融合图像具有更好地光谱特性以及空间特性。     

基于Transformer与BiLSTM的网络流量入侵检测

网络流量入侵检测技术对主机和平台安全起着重要作用。目前常采用机器学习和深度学习技术进行网络流量入侵检测,然而相关数据集的不平衡问题导致模型偏向于学习多数类数据的特征而忽视少数类数据的特征,严重影响了检测准确率。结合SMOTE算法和生成对抗网络(GAN)构建OSW模型对训练数据进行预处理,通过Wasserstein GAN学习少数类数据分布情况,避免边缘分布问题,构造平衡数据集。建立基于Transformer与双向长短时记忆-深度神经网络(BiLSTM-DNN)的TBD入侵检测模型,使用Transformer中的编码器捕捉全局联系并对输入数据进行初步特征提取,利用BiLSTM网络进行长距离依赖特征提取保留数据的序列化特征,采用DNN进一步提取深层次特征,最终通过Softmax分类器获得分类结果。在NSL＿KDD数据集上的实验结果表明,在进行数据平衡处理后TBD模型的二分类和五分类任务检测准确率分别达到90.3%和79.8%,均高于对比的深度神经网络模型以及机器学习算法。     

一种结合时间因子聚类的群组兴趣点推荐模型

推荐系统本质上是一种信息检索工具,它检索出有用信息并推荐给特定的用户.组推荐系统通过不同的融合策略融合群组偏好,支持群组用户访问当前的热门兴趣点.传统组推荐模型没有将时间因子对用户选择兴趣点的影响计算在内,且传统协同过滤推荐算法往往对数据的稀疏性较为敏感.本文提出一个混合推荐模型(AGRT),综合K-均值聚类算法和隐语义模型(LFM)技术,将其应用于群组兴趣点.考虑到用户在不同时间点的不同兴趣偏好,AGRT利用K-means算法对用户数据集合基于时间点聚类,划分为不同的簇,在与当前推荐时间最为接近的用户数据簇上进行兴趣点推荐,采用LFM隐语义模型对用户数据进行矩阵分解,通过将分解矩阵再次相乘获得用户对未评分地点的评分数据,解决用户数据稀疏性的问题.实验结果表明,AGRT模型在低相似度(随机)群组和高相似度群组评测条件下下较文献[3]中提出的HAaB提高了5. 19%和2. 06%,具有有效的改进.