基于Fisher Score与最大信息系数的齿轮箱故障特征选择方法

因果网络定向问题实质是一个“多对多”因果关系发现过程,传统的V-结构定向方法只能确定一组马尔可夫等价类而非最终的因果关系.为解决该问题,从柯氏复杂度的因果推断原理视角出发,利用贝叶斯链式法则推导出局部网络因果定向规则,并在此基础上提出高维全局网络因果定向方法.同时,将前者运用于改进基于局部条件独立信息搜索学习马尔可夫毯典型算法,后者运用于改进基于约束的因果网络结构学习典型算法.实验结果表明,改进后算法在保证较高准确率的同时可有效提升执行效率.     

基于相似性权系数改进Bagging-DNN 的负荷时序预测方法

为提升电力负荷时序预测精度,提出了一种基于相似性权系数改进Bagging-DNN 的负荷时序预测框架.首 先,利用历史负荷时序及其温度、湿度等影响因素构建模型训练样本库;然后,在此基础上,通过Bootstrap方式得 到若干训练样本子集,训练各DNN预测模型;最后,通过皮尔逊相关性分析计算各DNN 模型预测结果之间的相似 性系数,以自适应方式对DNN模型预测结果进行加权作为最终预测输出.仿真结果表明,基于相似性权系数的Bag- ging-DNN相较于传统平均加权方法有助于提升模型的预测精度.