基于自组织特征映射网络的车牌照汉字识别

本文介绍了一种基于自组织特征映射网络的车牌照汉字识别方法.自组织网络具有自组织、自适应的学习能力,本文在基于方向数统计特征抽取的基础上,采用自组织特征映射网络分类器,优选网络初始权向量,针对车牌汉字进行识别.实验表明该方法效果良好,正确识别率为99%.     

基于自组织特征映射神经网络的零件图像的识别

提出了基于小波变换提取零件图像特征和用自组织特征映射神经网络实现识别的方法，首先，对零件图像进行小波多尺度边缘检测，提取零件图像的边缘轮廓；然后将被检测的边缘轮廓图像分成若干个子区域并分别统计各子区域的边缘像素量，各子区域中的相对边缘像素系数作为零件的特征，将这些特征作为神经网络的输入样本，由自组织特征映射神经网络实现识别。实验结果表明该方法是有效的。     

基于自组织映射神经网络的多目标调度研究

为解决后验式场景下的多目标生产调度问题,提出一种基于自组织映射神经网络的策略来生成近似Pareto边界。该方法首先使用拉格朗日松弛法获得若干Pareto解,从而将搜索范围划分为若干区域。对于每一个区域,构造两个并发运行的自组织映射神经网络搜索区域中的Pareto解,在不增加求解时间的情况下提高了求解精度。另外,根据多目标调度问题的特点,改变了神经网络训练过程中邻域的定义,从而加快了求解速度。仿真实验验证了该算法的可行性与有效性。     

基于相似日和RBF神经网络的短期电力负荷预测

短期电力负荷预测中选取合适的相似日作为训练样本可以简化训练过程并提高预测精度。为了减小积温效应对相似日选取的影响,提出了一种根据综合相似度选取相似日的方法。通过将温度和其他负荷影响因素分别计算相似度,从而根据计算得到的综合相似度来选取相似日。此外,为了提高RBF神经网络的预测效果,将训练样本先用减聚类进行聚类,根据聚类结果设置模糊c-means聚类的初值,运用模糊c-means聚类来优化RBF神经网络的隐含层参数,最后结合相似日和改进RBF神经网络进行短期电力负荷预测。通过实际电力负荷数据的仿真分析验证了所提方法的有效性。     

基于模糊自组织映射网络聚类的案例库维护

针对CBR系统案例库的冗余问题,提出了一个基于自组织映射网络(Self-Organizing Map,SOM)聚类技术的案例库维护方法,首先利用自组织映射网络的可视化特性显示输入数据的大致分布,预估聚类个数,然后利用模糊自组织映射聚类算法对案例库案例进行聚类,最后在聚类基础上构建准案例库。并将该方法应用于水平定向钻产品的案例库维护,结果表明,准案例库规模比原案例库小,同时可以代表原案例库,达到案例库维护目的。     

面向转子故障特征提取的多尺度拉普拉斯特征映射方法

融合多尺度分解理论和流形学习思想,提出了一种面向转子故障特征提取的多尺度拉普拉斯特征映射算法。首先对转子故障振动信号进行多尺度小波包分解,提取各独立频带信号的最优尺度小波熵,构建特征参量矩阵并估计其固有维数,然后通过拉普拉斯特征映射将特征参量数据嵌入到低维本征空间,得到故障的最敏感特征,最后融合决策实现故障的准确识别。实验表明,相对于主成分分析算法、局部线性嵌入算法和拉普拉斯特征映射算法,多尺度拉普拉斯特征映射方法提取的转子故障信号特征更容易识别。     

基于MEA-Elman神经网络的电力日负荷预测

Elman神经网络是一种动态反馈网络,对历史状态敏感,具有短期记忆功能和处理动态信息的能力,可以建立动态、非线性电力负荷预测模型。由于Elman神经网络采用BP算法,容易陷入局部极小解,迭代次数多且学习效率低,该文利用思维进化算法(MEA)优化Elman神经网络的方法,提出基于MEA-Elman神经网络的电力负荷预测模型。实验表明,该方法能够避免不成熟收敛问题,减少迭代次数,有效提高了配电网短期负荷的预测精度,对电力系统合理调度与规划具有重要意义。     

基于自组织映射的齿轮箱状态监测可视化研究

提出了一种自组织映射网络训练结果的可视化方法——距离映射法,该方法通过计算出竞争层神经元权矢量与输入模式的相似度,并综合考虑神经元的网格分布,把输入矢量降维映射到二维平面。结合该方法研究了自组织映射网络在齿轮箱故障识别和状态监测中的应用。与U－矩阵法相比,该方法能更加清楚地将齿轮正常、裂纹和断齿状态的特征数据映射到二维平面的不同区域,将齿轮箱状态聚类分开,特征数据在平面上的映像点轨迹变化趋势直观反映了齿轮箱工作状态的变化,便于及时监测识别出齿轮的早期故障及其变化趋势。     

面向并行工程的多域特征映射方法学研究

讨论了特征的概念性和操作性定义及特征分类,分析了多域特性映射机理,给出了不同应用领域对产品信息需求的多域特征映射框架模型和实现过程。     

混沌预测模型改进及在电力日负荷预测中的应用

针对电力日负荷预测中基于最大Lyapunov指数的传统混沌预测模型的缺陷,提出以下改进思想:采用微分熵法同时确定嵌入维数和延迟时间,改善相空间重构质量的同时,有效减少计算量;引入夹角参数,在与中心点距离最短的点中,筛选夹角最小的点作为最终邻近点;基于相似性原理,引入取舍规则,使得计算结果唯一确定。本文方法解决了传统预测模型计算量大、运算速度慢、预测精度不高以及正负号选取等问题。通过对典型混沌系统数值验证和某地区实际电力负荷系统的预测分析证明了本文方法的可靠性和高效性,为电力日负荷预测提供了一种新的有效途径。     

专家系统在电力预测负荷中的应用

电力负荷预测是一项重要但又非常复杂的工作．因为它受到大量不确定因素的影响．因此预测过程需要考虑多种因素。为了充分考虑这些因素，文中提出利用专家系统来修正决策树的修正结果。预测过程为先利用决策树建立预测模型，对待测日负荷进行初步预测．然后再结合专家系统中的修正模型对初步结果进行修正，得到最终预测结果。统计分析结果表明该方法满足实用标准，具有有效性和实用性。     

回归算法在电力负荷预测中的应用

电力系统短期负荷预测是电力系统部门安排机组启停、制定购电计划的基础。并逐渐成为电力市场的一个重要研究领域。本文分别用线性回归、支持向量回归、序列最小优化、改进的序列最小优化四种方法对某省负荷数据进行了实验对比分析。结果表明序列最小优化算法比线性回归、支持向量回归算法具有更好的适应性和预测精度。经改进后该算法的预测精度进一步提高。     

电力系统短期负荷预测中小波函数的选择

针对应用小波分析进行电力系统短期负荷预测中小波函数的选择问题,以dbN小波系作为变换工具,通过最大李氏指数检测,比较了不同N所产生的预测精度,确定了一种db小波函数为短期负荷预测的核心变换工具。研究结果表明,采用db4作为短期负荷预测的小波函数,预测的结果具有较高的精度。     

小负荷短期预测中一种模糊聚类方法的探讨

由于影响负荷的随机因素很多,小容量负荷受冲击负荷影响较大,传统模型中的相似目选择一般采取夹角余弦法,选取的精度有待提高。模糊聚类分析是模糊数学中一种有效的分析方法,应用模糊聚类分析中基于目标函数的方法可对负荷的历史样本进行高精度的分类,所采用的HCM算法有效地提高了分类精度;在此基础上运用AGO回归算法进行合理的数据拟合后得到预测结果。算例证明,此方法是十分有效的,提高了小负荷短期负荷预测的精度。     

基于外形特征的三维模型聚类方法研究

针对实际应用中三维模型数据集的模型分类管理、检索聚类预处理等聚类问题,提出了一种基于划分方法的无监督聚类模型。该模型通过以傅里叶矩不变算法为基础的特征提取算法,综合运用了现有聚类算法,将特征提取和聚类计算有效结合起来,充分考虑了聚类模型数据格式的敏感性问题。计算结果表明,该方法对有一定类结构的数据集在有整体聚类效果的情况下有一定的局部最优性。     

灰色系统理论在负荷预测中运用综述

灰色理论广泛运用在负荷预测中。该文分析了灰色预测模型,指出模型存在的缺陷,并对负荷预测应用中的传统灰色预测模型的改进方法进行分类介绍,同时对灰色负荷预测技术的发展趋势进行展望。     

基于设计特征的特征转换技术研究

分析特征和特征转换技术,并建立一个基于产品设计特征模型的特征转换系统,实现产品特征模型由设计域到加工域的转变.同时,对实现系统通用性的关键技术--设计特征信息的获取进行了研究.     

基于净负荷预测的独立微电网协调控制策略

针对主从式控制结构的独立微电网中可再生能源发电及负荷随机波动的问题,提出了一种基于净负荷超短期预测的微电源协调控制策略,以保障独立微电网的稳定运行.介绍了独立微电网的结构,阐述了净负荷的概念.通过在线采集功率数据,运用最小二乘支持向量机（LS-SVM）方法分别对微电网内负荷及可再生能源出力进行了滚动预测,实现了对净负荷的超短期预测.在预测结果的基础上,主动修正了可控电源日前出力计划,提前响应系统净负荷变化,减轻主电源的调节压力,提高了独立微电网系统的可靠性.算例结果证明了该预测方法的精度,并验证了该控制策略的有效性.