基于最小二乘支持向量机的短期负荷预测模型

支持向量机（SVM）是近年来发展起来的机器学习的新方法,它较好地解决了小样本、非线性、高维数、局部极小点等实际问题。研究了支持向量机的拓展算法——最小二乘支持向量机（LSSVM）,并将其应用于电力系统短期负荷时间序列预测。通过实例并与神经网络模型预测结果相比较表明,LSSVM模型的预测精度要明显高于神经网络模型,验证了LSS-VM模型可以很好地应用于短期负荷时间序列预测,并且具有较高的准确性与有效性,这为短期负荷预测提供了一个新的解决思路。     

一种新的立体测图方法

随着无人机倾斜摄影测量技术的发展,基于实景三维模型的立体测图技术逐渐成为大比例尺数字成图的主要方法之一,其相对应的立体测图软件已成为国内外学者的研究热点。虽然目前市面已有多种立体测图软件,但没有一种适用于CASS成图。为此,本文提出了一种基于CASS成图的新立体测图方法,该方法不仅能保证三维模型特征选取与CASS二维成图同步,而且具有较高的精度和效率。     

熵权、变异系数及模糊多准则决策在测量平差中的综合应用

针对测量平差中按经验定权的片面性,提出了更加全面的定权方法:熵权法定权或变异系数定权,并将模糊多准则决策引入测量平差,可根据定权结果进行定权方法的优选,减少计算工作量。通过实例计算表明,熵权法定权或变异系数定权平差结果精度更高,模糊多准则决策能够有效选择最佳的平差定权方案,并大大减少了计算工作量,从而验证了新方法的可行性和优越性,具有一定的实用价值。