题名 基于复合加权人类学习网络的超超临界机组建模与仿真
被引量：1
1
作者
程传良 彭晨 曾德良 张腾飞
机构
上海大学机电工程与自动化学院 华北电力大学控制与计算机工程学院 南京邮电大学自动化学院和人工智能学院
出处
《系统仿真学报》
CAS
CSCD
北大核心
2022年第7期1430-1438,共9页
基金
国家自然科学基金(61833011)。
文摘
中间点温度是超超临界(ultra supercritical,USC)机组的一个重要参数,其系统具有强非线性,常规方法很难对其进行建模。为了解决非线性问题,并获得良好的建模效果,提出了一种基于复合加权人类学习优化网络(composite weighted human learning optimization network,CWHLON)的建模方法,以动态线性模型的形式来模拟对象的非线性动态过程。在仿真实验部分,将CWHLON模型与传统的递推最小二乘法和其他三种元启发式方法得到的模型进行综合比较,数据显示本文提出的方法在模型精度方面平均提高了77.93%,最大提高了78.65%,实现了辨识精度的有效提升。
关键词
中间点温度 强非线性 建模 复合加权人类学习优化网络 超超临界机组
Keywords
intermediate point temperature strong nonlinearity modeling CWHLON USC
分类号
TP391.9
[自动化与计算机技术—计算机应用技术]
题名 基于BP神经网络模型的复合绝缘子伞裙优化技术
被引量：11
2
作者
李晓刚 谢敏 刘祝鸿 周振安 张楚岩
机构
清华珠三角研究院 广州广华智电科技有限公司 中国地质大学(北京)
出处
《高压电器》
CAS
CSCD
北大核心
2022年第11期98-105,共8页
基金
广东省重点领域研发计划资助(2021B0101420002)。
文摘
伞裙参数对复合绝缘子的性能有着决定性的影响,为在确定的绝缘距离下得到污闪性能优异的复合绝缘子,文中分别采用人工污秽试验和机器学习的方法对复合绝缘子伞裙结构参数的优化问题开展了研究。机器学习的基础是数据,文中首先对不同伞裙结构参数的12种复合绝缘子试品完成了人工污秽试验,获得了关键伞裙参数对交流污闪电压的影响以及具有优异污闪性能的伞裙参数需满足的条件;其次,为深度挖掘人工污秽试验数据的价值,文中使用RMSprop梯度下降算法建立了以复合绝缘子伞裙结构参数和表面污秽度为输入的4层BP神经网络模型,可实现对交流污闪电压的预测以及性能比较,结果表明模型预测的平均误差小于6%,最大误差小于10%,采用机器学习算法与采用人工污秽试验所得的复合绝缘子伞裙优化结果是一致的,结论可为复合绝缘子的产品设计和性能校验提供参考。
关键词
复合 绝缘子污闪电压 伞裙优化 机器学习 人工神经网络
Keywords
composite insulator pollution flash⁃over voltage shed optimization machine learning artificial neural network
分类号
TM216
[一般工业技术—材料科学与工程]
TP183
[自动化与计算机技术—控制理论与控制工程]
题名 基于改进白鲸优化算法的三维DV-Hop定位算法
3
作者
陈悦 冯锋
机构
宁夏大学信息工程学院
出处
《计算机科学》
北大核心
2025年第S1期798-806,共9页
基金
宁夏重点研发计划重点项目(2022BEG02016) 宁夏自然科学基金(2023AAC03031)。
文摘
为解决无线传感器网络中传统三维DV-Hop(Distance Vector Hop)算法在应对复杂环境时存在节点定位精度低、误差过大的问题,提出了一种基于改进白鲸优化算法(Improved Beluga Whale Optimization,IBWO)的三维定位算法(IBWO-DV-Hop)。首先,通过多通信半径并引入修正因子优化节点最小跳数,并利用跳距加权优化方法修正平均跳距,以降低通信半径不确定性和跳数误差对定位精度的影响。其次,引入IBWO代替最小二乘法估算未知节点的位置,所做改进包括在白鲸算法初始化阶段采用Sobol序列和反向学习结合的策略对初始种群实施改进,增加种群多样性。然后,在勘探阶段和开发阶段分别引入自适应t分布变异和自适应Levy飞行策略,增强算法的寻优能力。最后,在鲸落阶段引入透镜成像反向学习策略,提升算法的全局寻优能力。实验结果表明,与传统三维DV-hop算法以及其他同类算法相比,该算法具有更高的定位精度。
关键词
无线传感器网络 三维DV-Hop算法 白鲸优化 算法 多通信半径 跳距加权 优化 自适应t分布变异 透镜成像反向学习 策略
Keywords
Wireless sensor networks Three dimensional DV-Hop algorithms Beluga whale optimization algorithms Multiple communication radius Hop distance weighted optimization Adaptive t-distribution mutation Lens imaging reverse learning strategy
分类号
TP301.6
[自动化与计算机技术—计算机系统结构]
题名 基于最具影响粒子群优化的BP神经网络训练
被引量：6
4
作者
王慧 刘希玉
机构
山东师范大学信息科学与工程学院
出处
《计算机工程与应用》
CSCD
北大核心
2007年第18期69-71,86,共4页
基金
山东省自然科学基金(the Natural Science Foundation of Shandong Province of China under Grant No.Z2004G02) 山东省教育厅资助科研课题(the research Project of Department of Education of Shandong Province +1 种基金 China under Grant No.J05G01) "泰山学者"建设工程专项经费资助。
文摘
系统地介绍了粒子群优化算法,将粒子群优化算法用于BP神经网络的学习训练,提出了一种改进的粒子群算法——最具影响粒子PSO算法BIPSO,并利用复合适应度即均方误差和误差均匀度之和作为BIPSO训练神经网络的指标,并对它与其他的神经网络训练算法诸如BP算法、GA算法、PSO算法进行了比较。实验结果表明:BIPSO性能优于其他算法,更容易找到全局最优解,具有更好的收敛性。
关键词
粒子群优化 算法 神经网络 学习 算法最具影响粒子 复合 适应度
Keywords
particle swarm optimization algorithm neural networks training algorithm best influential partical multiple fitness degree
分类号
TP301.6
[自动化与计算机技术—计算机系统结构]
题名 基于加权支持向量机的入侵检测系统
被引量：2
5
作者
何宁 卢昱 王磊
机构
装备指挥技术学院 中国人民解放军
出处
《计算机研究与发展》
EI
CSCD
北大核心
2006年第z2期474-479,共6页
文摘
目前的入侵检测系统存在先验知识较少的情况下推广能力差的问题,针对各样本重要性的差异,提出了加权支持向量机方法并给出了对偶最优化问题的描述及其SMO训练算法.在入侵检测实验中,训练样本的重要性通过测试样本与该样本的空间距离来表征.实验表明,基于加权支持向量机的入侵检测系统在小样本(先验知识少)的条件下不但提高了入侵检测的精度,而且缩短了入侵检测时间.
关键词
入侵检测 支持向量机 加权 因子对偶优化 网络 安全机器学习
分类号
TP393
[自动化与计算机技术—计算机应用技术]
题名 多模型分层融合的配用电系统用户数据识别
被引量：3
6
作者
蔡军 谢航 吴高翔 唐贤伦 邹密
机构
重庆市复杂系统与仿生控制重点实验室(重庆邮电大学) 国网重庆市电力公司电力科学研究院
出处
《电工电能新技术》
CSCD
北大核心
2022年第4期49-58,共10页
基金
国家电网公司科技项目(SGCQDK00NYJS2000060) 国家自然科学基金(52007022)。
文摘
针对配用电系统用户数据识别中特征选择困难和单模型分类精度不高的问题,本文提出多模型分层融合的识别方法。首先,设计多尺度联结的递归差分卷积网络对用户数据进行特征提取,使浅层融合的有效信息不会随着层数的增长而消失;其次,改进自适应学习率优化算法训练模型,增加模型分类性能;最后对6种基模型分层加权融合,以阈值划分层级,新定义混淆矩阵的错误样本数确定权值,有效克服了基模型适应度缺陷。融合方法在用户特征库的识别上获得99.43%的准确率,比传统卷积神经网络与加权融合方法的准确率分别提高0.53%、0.47%,实现了对用户数据的特征提取和高准确率识别,有助于提高配用电系统信息处理和智能决策水平,为电力需求侧用户服务和经营管理提供支撑。
关键词
递归差分卷积网络 模型分层加权 融合 自适应学习 率优化 算法 阈值区间 混淆矩阵
Keywords
recursive differential convolutional network multi-model hierarchical weighted integration adaptive learning rate optimization algorithm threshold interval confusion matrix
分类号
TM731
[电气工程—电力系统及自动化]
