作者须知

◆本刊简介 《智能系统学报》是中国人工智能学会的会刊,由中国人工智能学会与哈尔滨工程大学联合主办。主要刊登人工智能与计算智能、智能控制与决策、智能信息处理、专家系统与知识工程、机器学习与知识发现以及人工心理与机器情感等内容,反映我国智能科学领域理论研究及科研进展情况,以促进和扩大国内外学术交流,为我国智能科学的发展和社会进步服务。     

粗糙集理论的双重学习方法研究

提出了一种新的粗糙集双重学习方法,该方法能用遗传算法实现外层学习,用规则提取方法进行内层学习．其基本思想是：首先引入遗传算法,将属性编码,并针对不同的属性组合进行规则提取;然后用测试样本对规则集进行检验,并基于所得到的识别率建立适应度函数;最后在合适的遗传算子下获取最佳的属性组合及相应的知识规则．与其他方法相比,本文所提粗糙集双重学习方法集属性约简和规则提取于一体,整个过程具有很强的自适应能力．最后,用算例对本文方法进行了验证．     

Web检索查询意图分类技术综述

查询分类是近年来信息检索领域的研究热点,并且在很多领域得到了广泛地关注。主要讨论根据查询的意图进行分类的研究工作,从查询分类的诞生背景、关键技术、所使用的分类方法和评价方法方面进行综述评论,提出了查询意图分类面临的问题和挑战。认为缺乏权威的评测标准、在大规模数据集上的未经全面测试的性能、如何准确地获取查询的特征以及如何证明分类体系的完备性和独立性是目前查询意图分类研究的关键问题。     

SVM-RBF网络在混沌时间序列预测中的应用

混沌时间序列预测是非线性动力学研究中一个很重要的问题.支持向量机是一种基于统计学习理论的新颖的机器学习方法,为混沌时间序列的预测提供了一种有效的算法思想.本文基于支持向量机与径向基神经网络在结构上的相似性,将支持向量机用于径向基神经网络中心的选取,并对混沌时间序列进行预测,仿真结果表明,其效果优于其他方法.     

基于RF-BiLSTM的柔直阀冷入阀水温预测及冷却能力评估

为实现柔性直流(voltage sourced converter-high voltage direct current,VSC-HVDC)换流阀冷却系统入阀水温的智能预测,文中提出一种基于随机森林(random forest,RF)和双向长短时记忆(bi-directional long short-term memory,BiLSTM)网络混合的柔直换流阀冷却系统入阀水温的预测模型,并以此为基础对柔直换流站阀冷系统的冷却能力进行评估。首先,采用RF算法对由阀冷系统监测变量组成的高维特征集进行重要性分析,筛选出影响入阀水温的重要特征,与历史入阀水温构成输入特征向量。然后,将特征向量输入到BiLSTM预测模型,对模型进行训练并实现对入阀水温的准确预测和冷却能力定量评估。最后,以广东电网某柔直换流站为实例对所提方法进行分析,验证了所提出的基于RF-BiLSTM的混合模型预测精度优于BiLSTM模型、RF模型、支持向量机(support vector machine,SVM)模型和自回归滑动平均模型(auto-regressive and moving average,ARMA)模型,并且实现了冷却能力的定量评估。结果表明该换流站冷却裕量达98%,存在过度冷却、能源浪费的问题,与换流站现场运行情况相符,验证了文中所提方法的有效性和准确性。     

基于LightGBM算法的光伏并网系统孤岛检测及其集成的可解释研究

针对智能孤岛检测方法欠缺对数据集划分过程中标签分布不均问题的考虑,以及该领域尚未对复杂智能孤岛检测模型的决策进行可解释性分析,提出了一种基于轻梯度提升机(LightGBM)算法的孤岛检测模型。采用分层抽样的K折交叉验证检测模型的分类性能,解决数据标签分布不均的问题;提出基于决策树的Shapley值加性解释方法为主干,融合累计局部效应图和局部代理模型的集成可解释分析框架,从全局性和局部性角度对光伏并网系统的孤岛状态检测进行归因分析。算例仿真结果表明,所提模型能在传统检测方法的检测盲区中实现精确且快速的动态孤岛检测,且在电压波动、系统故障等情况下均未发生误判。基于集成的归因分析方法解决了单一可解释方法的欠合理性问题,揭示了模型输入电气特征自变量与孤岛检测响应因变量之间的关系,提高了模型的可信度。     

基于机器学习的地基云图分类研究进展

基于机器学习的地基云图分类是光伏发电功率预测的关键技术。该技术主要通过传统机器学习和深度学习方法对地基云图特征提取提升地基云图分类准确率。全文归纳了地基云图分类标准和云图采集设备;简要介绍了地基云图分类数据集;从传统机器学习和深度学习两方面详细论述了典型的地基云图分类方法;比较了不同方法在Kiel F和MGCD地基云图分类数据集上的性能;最后对现有地基云图分类方法进行了总结,并针对目前地基云图分类面临的挑战进行了展望。     

一种基于随机森林的LOS/NLOS基站识别方法

蜂窝移动通信环境复杂多变,在基站和移动台之间不可避免会出现电波的非视距（Non-Line-of-Sight,NLOS）传播,使基站和移动台之间的距离测量误差显著增大,导致定位性能急剧下降。为了准确识别出视距（Line-of-Sight,LOS）与非视距传播的基站信号,提出了一种基于随机森林的LOS/NLOS基站识别方法,通过分析移动台与各基站接收机测量距离与定位误差之间的相关性,选择LOS/NLOS测量距离作为特征进行分类器训练,再将分类器用于LOS/NLOS基站的识别。仿真结果表明,该方法对NLOS基站的正确识别率达到90%以上,能取得较好的定位性能。     

基于数据驱动的风电机组状态监测与故障诊断技术综述

随着大规模风电场的建设,风电机组的状态监测和故障诊断成为一个重要的研究课题。早期的风电机组状态监测和故障诊断依靠人工巡检,而随着风电机组装机容量的不断增长,人工巡检的成本和难度也随之增加。近年来,基于数据驱动方法的风电机组状态监测和故障诊断逐渐成为热点。文中从运行数据类型出发,对相关研究内容进行综述。首先,针对风电机组数据采集与监控（SCADA）系统,从监测对象角度出发,剖析基于SCADA数据的状态监测与故障诊断方法的研究现状;其次,针对风电机组组件振动数据,分析对比各类振动故障特征提取方法的优点和局限性;然后,针对新兴基于图像数据或数据-图像转换数据的状态监测与故障诊断方法,从单一图像诊断和数据-图像转换评估两方面对现有研究进行论述与总结;最后,对未来状态监测和故障诊断的研究方向进行了展望。     

基于情感刺激的语音抑郁症检测分析

抑郁症是一种常见的精神障碍疾病,早期的检测和诊断对抑郁症预防和治疗至关重要。基于语音的抑郁症检测是当前计算机辅助检测方法中的一种高效、便捷的手段。为了探索不同的情感刺激是否对语音抑郁症检测存在影响,本文首先构建了抑郁症分析声学特征集,接着使用非参数检验的方法分析不同情感刺激性下抑郁与非抑郁个体之间声学特征的显著性差异,再采用情感刺激（积极、消极、中性）和任务类型（文本朗读、问答）组合的实验设计,通过机器学习和深度学习算法分别构建语音抑郁症检测模型。实验结果证明使用情感刺激会对抑郁症检测任务产生一定程度的影响,并且消极的情感刺激更容易诱发抑郁相关的情绪,对个体的发音特性产生影响,进而取得比积极刺激和中性语音更好的检测效果。