期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
一种复杂环境下低成本GNSS接收机PPP自适应随机模型 被引量:1
1
作者 闫健文 蔡昌盛 +1 位作者 敖敏思 陈春花 《大地测量与地球动力学》 北大核心 2025年第3期297-302,共6页
提出一种适用于复杂环境下低成本接收机精密单点定位(PPP)的自适应随机模型,该模型通过对单个历元所有GNSS卫星的伪距观测值和载波相位观测值的权重比进行自适应调节,以提升PPP性能。采用和芯星通UM982型号低成本GNSS接收机,在树荫、高... 提出一种适用于复杂环境下低成本接收机精密单点定位(PPP)的自适应随机模型,该模型通过对单个历元所有GNSS卫星的伪距观测值和载波相位观测值的权重比进行自适应调节,以提升PPP性能。采用和芯星通UM982型号低成本GNSS接收机,在树荫、高楼和玻璃墙3种复杂环境下进行PPP实验。静态PPP实验结果表明,相比传统的经验定权随机模型,自适应随机模型定位精度在3种复杂环境下分别提升24%、45%和50%,收敛时间分别缩短49%、27%和24%。动态PPP实验结果表明,自适应随机模型定位精度在复杂环境下提升35%。 展开更多
关键词 低成本接收机 精密单点定位 自适应随机模型
在线阅读 下载PDF
粒子群优化随机森林机床热误差建模与补偿
2
作者 苏哲 郭世杰 +3 位作者 丁强强 唐术锋 邹云鹤 吕贺 《机床与液压》 北大核心 2025年第12期8-16,共9页
为了提高机床热误差预测精度,提出一种自适应粒子群(APSO)优化随机森林(RF)模型的机床直线轴热误差预测方法。采用浣熊优化算法(COA)对K-Means算法进行优化,并结合相关性分析筛选出温度敏感点;提出动态惯性权重与学习因子的线性调整策... 为了提高机床热误差预测精度,提出一种自适应粒子群(APSO)优化随机森林(RF)模型的机床直线轴热误差预测方法。采用浣熊优化算法(COA)对K-Means算法进行优化,并结合相关性分析筛选出温度敏感点;提出动态惯性权重与学习因子的线性调整策略来避免粒子群算法陷入局部最优解,构建了基于APSO-RF的直线轴热误差预测模型。为了验证模型的准确性与实用性,在VDL-600A型加工中心上以X轴为例进行热误差测量与建模验证,基于FANUC系统坐标原点偏移(EMZPS)功能结合自主搭建的热误差辅助补偿系统,实现了计算机与系统间的通信连接。结果表明:APSO-RF热误差模型的均方根误差相比PSO-SVM、RF及BP模型分别降低了18.3%、45.2%及47.2%,有效提高了建模精度。根据构建的模型与补偿系统功能模块,补偿后热误差最大值由71.15μm降至13.4μm,精度提升81.2%,所构建的热误差补偿方法可有效提高机床的加工精度及稳定性。 展开更多
关键词 数控机床 热误差补偿 自适应粒子群优化随机森林(APSO-RF)模型 浣熊优化算法(COA)
在线阅读 下载PDF
基于自适应SMPC的梯级水-风-光互补系统多目标优化调度 被引量:4
3
作者 冯哲飞 霍志红 +3 位作者 魏赏赏 许昌 薛飞飞 郭琛良 《可再生能源》 CAS CSCD 北大核心 2023年第3期352-360,共9页
为抑制风电、光伏的波动性,文章建立了梯级水-风-光互补系统的多目标优化调度模型,同时考虑了调度成本与水电出力波动性,提出了一种基于自适应随机模型预测控制的梯级水-风-光高效协调优化方法。该方法利用场景削减技术,进一步抑制风光... 为抑制风电、光伏的波动性,文章建立了梯级水-风-光互补系统的多目标优化调度模型,同时考虑了调度成本与水电出力波动性,提出了一种基于自适应随机模型预测控制的梯级水-风-光高效协调优化方法。该方法利用场景削减技术,进一步抑制风光出力不确定性,并采用自适应变权重方法自动调整多目标权重系数。文章比较了方法改进前、后以及梯级水电站数量对互补系统优化调度结果的影响。系统仿真表明,所提自适应(Stochastic Model Predictive Control,SMPC)方法,可有效抑制风电、光伏的不确定性与波动性,提高水电出力的可靠性与稳定性. 展开更多
关键词 梯级水电 水-风-光互补 自适应随机模型预测控制 多目标优化
在线阅读 下载PDF
全极化合成孔径雷达高维小样本数据在森林地上生物量估算中的应用 被引量:3
4
作者 吴国明 范文义 +4 位作者 司国玉 于颖 魏萌 刘志会 毛毓 《东北林业大学学报》 CAS CSCD 北大核心 2022年第8期74-82,共9页
以河北省承德市塞罕坝机械林场为试验区域,设置37块实测样地;以随机森林模型、自适应遗传算法为基础,构建随机森林模型与自适应遗传算法的混合算法(RF-LOOCV-AGA),对高维小样本合成孔径雷达(SAR)数据特征集同时进行特征选择和回归估计;... 以河北省承德市塞罕坝机械林场为试验区域,设置37块实测样地;以随机森林模型、自适应遗传算法为基础,构建随机森林模型与自适应遗传算法的混合算法(RF-LOOCV-AGA),对高维小样本合成孔径雷达(SAR)数据特征集同时进行特征选择和回归估计;利用试验地大地2号(ALOS-2)全极化数据提取121个高共线性特征,结合实测样地数据,构建高共线性高维小样本数据集,并应用随机森林模型与自适应遗传算法的混合算法、随机森林算法、逐步回归法,分析全极化合成孔径雷达数据估算森林地上生物量时,因样地较少、影响因素维数多存在的高共线性;探索在算法层面各极化分解参数之间存在的高共线性及小样本林业数据回归估计泛化能力。结果表明:随机森林模型与自适应遗传算法的混合算法从121个高共线性特征集中筛选出含19个影响因素的特征子集,交叉留一法验证泛化精度决定系数为0.906 9、均方根误差为14.184 0 t/hm^(2)、相对均方根误差为11.70%;逐步回归法从121个高共线性特征集中筛选出含7个影响因素的特征子集,交叉留一法验证泛化精度决定系数为0.777 0、均方根误差为23.075 9 t/hm^(2)、相对均方根误差为=19.03%;拟合决策树数目为50、100、150、200的随机森林模型,交叉留一法验证泛化精度均方根误差分别为18.479 44、18.050 25、18.180 52、18.395 33 t/hm^(2)。3种方法泛化精度对比表明,在高维高共线性小样本情况时,随机森林模型与自适应遗传算法的混合算法精度,优于随机森林算法、逐步回归法。 展开更多
关键词 森林生物量 森林生物量估算方法 随机森林模型自适应遗传算法的混合算法 塞罕坝机械林场
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部