泵站机组运行受多种因素影响,导致泵站运行理论效率与实际效率误差较大。针对泵站机组运行效率精准模拟难题,运用基于高价多项式回归、回归树、多元线性回归、向量机回归、高斯过程回归、神经网络的10个回归算法,建立泵站机组效率模拟...泵站机组运行受多种因素影响,导致泵站运行理论效率与实际效率误差较大。针对泵站机组运行效率精准模拟难题,运用基于高价多项式回归、回归树、多元线性回归、向量机回归、高斯过程回归、神经网络的10个回归算法,建立泵站机组效率模拟模型并开展对比分析,优选出有效的泵站运行效率模拟建模方法。讨论分析采用“上下游水位+流量”代替传统“扬程+流量”开展泵站运行模拟的效果。以南水北调东线邳州站和遂宁二站共8台机组的历史数据开展实例分析,相关实验结果表明:在所有方法中,高斯过程回归(Gaussian process regression,GPR)模型在均方根误差(ERMS)、平均绝对误差(EMA)、均方误差(EMS)、决定系数(R2)和最大个体误差(EMI)指标上综合表现最佳,R2逼近0.95;使用站上、站下水位代替传统的扬程对模型进行训练,所有模型的综合评价指标整体有所改善。综合来看,使用GPR模型并使用上游、下游水位代替扬程进行模拟效率表现最好,以邳州站4号机为例,可将模拟效率的EMA和EMI分别从16.49%和20.40%减少至0.41%和2.30%,研究成果具有一定实际意义,可为我国调水工程泵站经济运行提供有力支撑。展开更多
高斯过程回归(Gaussian process regression, GPR)是一种广泛应用的回归方法,可以用于解决输入输出均为多元变量的人体姿态估计问题.计算复杂度是高斯过程回归的一个重要考虑因素,而常用的降低计算复杂度的方法为稀疏表示算法.在稀疏算...高斯过程回归(Gaussian process regression, GPR)是一种广泛应用的回归方法,可以用于解决输入输出均为多元变量的人体姿态估计问题.计算复杂度是高斯过程回归的一个重要考虑因素,而常用的降低计算复杂度的方法为稀疏表示算法.在稀疏算法中,完全独立训练条件(Fully independent training conditional, FITC)法是一种较为先进的算法,多用于解决输入变量彼此之间完全独立的回归问题.另外,输入变量的噪声问题是高斯过程回归的另一个需要考虑的重要因素.对于测试的输入变量噪声,可以通过矩匹配的方法进行解决,而训练输入样本的噪声则可通过将其转换为输出噪声的方法进行解决,从而得到更高的计算精度.本文基于以上算法,提出一种基于噪声输入的稀疏高斯算法,同时将其应用于解决人体姿态估计问题.本文实验中的数据集来源于之前的众多研究人员,其输入为从视频序列中截取的图像或通过特征提取得到的图像信息,输出为三维的人体姿态.与其他算法相比,本文的算法在准确性,运行时间与算法稳定性方面均达到了令人满意的效果.展开更多
文摘泵站机组运行受多种因素影响,导致泵站运行理论效率与实际效率误差较大。针对泵站机组运行效率精准模拟难题,运用基于高价多项式回归、回归树、多元线性回归、向量机回归、高斯过程回归、神经网络的10个回归算法,建立泵站机组效率模拟模型并开展对比分析,优选出有效的泵站运行效率模拟建模方法。讨论分析采用“上下游水位+流量”代替传统“扬程+流量”开展泵站运行模拟的效果。以南水北调东线邳州站和遂宁二站共8台机组的历史数据开展实例分析,相关实验结果表明:在所有方法中,高斯过程回归(Gaussian process regression,GPR)模型在均方根误差(ERMS)、平均绝对误差(EMA)、均方误差(EMS)、决定系数(R2)和最大个体误差(EMI)指标上综合表现最佳,R2逼近0.95;使用站上、站下水位代替传统的扬程对模型进行训练,所有模型的综合评价指标整体有所改善。综合来看,使用GPR模型并使用上游、下游水位代替扬程进行模拟效率表现最好,以邳州站4号机为例,可将模拟效率的EMA和EMI分别从16.49%和20.40%减少至0.41%和2.30%,研究成果具有一定实际意义,可为我国调水工程泵站经济运行提供有力支撑。
文摘高斯过程回归(Gaussian process regression, GPR)是一种广泛应用的回归方法,可以用于解决输入输出均为多元变量的人体姿态估计问题.计算复杂度是高斯过程回归的一个重要考虑因素,而常用的降低计算复杂度的方法为稀疏表示算法.在稀疏算法中,完全独立训练条件(Fully independent training conditional, FITC)法是一种较为先进的算法,多用于解决输入变量彼此之间完全独立的回归问题.另外,输入变量的噪声问题是高斯过程回归的另一个需要考虑的重要因素.对于测试的输入变量噪声,可以通过矩匹配的方法进行解决,而训练输入样本的噪声则可通过将其转换为输出噪声的方法进行解决,从而得到更高的计算精度.本文基于以上算法,提出一种基于噪声输入的稀疏高斯算法,同时将其应用于解决人体姿态估计问题.本文实验中的数据集来源于之前的众多研究人员,其输入为从视频序列中截取的图像或通过特征提取得到的图像信息,输出为三维的人体姿态.与其他算法相比,本文的算法在准确性,运行时间与算法稳定性方面均达到了令人满意的效果.
