-
题名面向大规模样本的核心向量回归电力负荷快速预测方法
被引量：12
- 1
-
-
作者
李元诚
刘克文
-
机构
华北电力大学控制与计算机工程学院
中国电力科学研究自动化研究所
-
出处
《中国电机工程学报》
EI
CSCD
北大核心
2010年第28期33-38,共6页
-
基金
河北省自然科学基金项目(F2007001042)~~
-
文摘
将适用于解决大规模样本训练问题的核心向量回归(corevector regression,CVR)方法引入到电力负荷预测中,并采用粒子群优化(particle swarm optimization,PSO)方法对CVR的模型参数进行寻优,从而提出了一种基于PSO-CVR的负荷预测新模型。构造大规模负荷训练样本,研究对样本负荷产生影响的因素,从而确定样本集的构造。通过用PSO对CVR的模型参数进行优化,得到优化后的CVR预测模型,循环构造预测样本并进行连续预测。算例分析结果表明,在相同时耗下,所提出的优化CVR预测模型能够通过训练更大规模的样本得到比支持向量回归(support vector regression,SVR)方法更高的预测精度。
-
关键词
负荷预测
大规模样本
核心向量回归
粒子群优化
-
Keywords
load forecasting
large scale data set
corevector regression （CVR）
particle swarm optimization （PSO）
-
分类号
TM715
[电气工程—电力系统及自动化]
-
-
题名基于近邻距离的大规模样本集去噪与减样
被引量：2
- 2
-
-
作者
陈圣兵
李龙澍
-
机构
合肥学院计算机科学与技术系
安徽大学计算智能与信号处理教育部重点实验室
-
出处
《计算机工程》
CAS
CSCD
北大核心
2011年第5期184-186,共3页
-
基金
国家自然科学基金资助项目(60273043)
安徽省自然科学基金资助项目(090412054)
-
文摘
在分析传统样本缩减方法局限性的基础上,提出一种距离模型及样本的类内距离和类间距离的度量方法。给出利用该距离模型进行噪声识别和样本重要性评价方法及训练样本的缩减算法。该算法剔除噪声样本,根据样本相似性、类间距离和周围被剔除样本的数目,直接从原始样本空间剔除次要样本。仿真结果表明,该距离模型偶然性小,抗噪能力强,缩减效果优于传统的样本缩减方法。
-
关键词
支持向量
去噪
减样
大规模样本集
-
Keywords
support vector
denoising
sample reduction
large-scale sample set
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于样本差异度的SVM训练样本缩减算法
被引量：6
- 3
-
-
作者
陈圣兵
王晓峰
-
机构
合肥学院计算机科学与技术系网络与智能信息处理重点实验室
中国科学院合肥智能机械研究所智能计算实验室
-
出处
《计算机工程与应用》
CSCD
2012年第7期20-22,共3页
-
基金
国家自然科学基金(No.61005010)
安徽省高校省级自然基金(No.KJ2012B149)
合肥学院人才科研基金(No.11RC06)
-
文摘
为了对大规模训练样本进行缩减,提出了k近邻向量,给出了一种新的样本差异度的计量方法,证明了该差异度关于噪声识别和类边界距离的几个性质。依据此性质提出了一个高效的SVM训练样本缩减算法,算法首先根据样本差异度的性质剔除噪声样本,然后用类间差异度近似表示类边界距离,结合样本相似性,直接从原始样本空间剔除次要的训练样本。仿真结果表明,减样算法可以有效缩减样本,提高训练效率。
-
关键词
大规模样本集
减样
去噪
支持向量机
样本差异度
-
Keywords
large-scale sample set
samples reduction
de-noising
support vector machine
sample dissimilarity
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于概率模型LVQ的改进KNN分类新方法
被引量：1
- 4
-
-
作者
刘仲民
徐炎
赵彦敏
胡文瑾
-
机构
兰州理工大学电气工程与信息工程学院
兰州城市学院培黎工程技术学院
西北民族大学数学与计算机科学学院
-
出处
《兰州理工大学学报》
CAS
北大核心
2013年第3期70-74,共5页
-
基金
国家自然科学基金(61162021)
中央高校基本科研业务费专项资金(zyz2012078)
-
文摘
KNN是基于实例的算法,对于大规模样本算法分类性能不高.针对这一缺点,提出一种基于概率模型的学习矢量量化神经网络的改进KNN分类新方法.考虑到最优参考点训练的重要性,结合概率方法得到最佳参考点的判断准则函数,采用梯度下降最优化算法利用LVQ训练参考点的最佳位置.在对未知样本进行分类时选出样本x的K个近邻,采用"投票选举"机制最后判断样本x的所属类别.新方法减少KNN的计算复杂度和时间,弥补了KNN在处理大规模数据问题上的不足.在UCI中数据集上的仿真实验表明改进算法的可行性.
-
关键词
K-近邻
学习矢量量化
模式分类
概率模型
大规模样本
-
Keywords
K-nearest neighbor
learning vector quantization
pattern classification
probability model
large-scale samples
-
分类号
TP39
[自动化与计算机技术—计算机应用技术]
-
