-
题名基于虚拟样本生成的燃煤电厂碳排放预测模型
- 1
-
-
作者
徐毫
杨焌
张彪
李健
许传龙
-
机构
大型发电装备安全运行与智能测控国家工程研究中心、东南大学能源与环境学院
-
出处
《节能技术》
2025年第1期3-9,共7页
-
基金
国家重点研发计划资助项目(2023YFB4102904)
江苏省碳达峰碳中和科技创新专项资金项目(BE2023854)
江苏省固定污染源碳排放核算与监测技术公共服务平台(BM2022036)。
-
文摘
针对燃煤机组存在碳排放数据时滞、有效数据相对稀少和化石能源消费数据难以准确获取的问题,提出了一种基于虚拟样本生成的燃煤电厂碳排放预测方法,首先利用原始样本,构建基于随机森林的初始燃煤电厂碳排放预测模型;然后,利用t分布随机邻域嵌入(t-SNE)算法和初始燃煤电厂碳排放预测模型生成虚拟样本;最后将这些虚拟样本与原始训练样本相结合,对预测模型进行训练,以验证优化效果。将集成不同虚拟样本数目下的预测模型精度进行比较,发现集成虚拟样本数目为140时预测模型的精度最高,与基于原始样本的燃碳排放预测模型相比,均方根误差(RMSE)平均降低3.87%,平均绝对百分比误差(MAPE)平均降低10.6%。结果表明,通过集成虚拟样本提高了燃煤电厂月度碳排放量的预测精度。
-
关键词
碳排放
预测模型
小样本问题
虚拟样本生成
t分布随机邻域嵌入
-
Keywords
carbon emission
prediction model
small sample problem
virtual sample generation
t-distribution stochastic neighbor embedding
-
分类号
TM621
[电气工程—电力系统及自动化]
X773
[环境科学与工程—环境工程]
-
-
题名基于可见-近红外光谱及随机森林的鸡蛋产地溯源
被引量：4
- 2
-
-
作者
王彬
王巧华
肖壮
马逸霄
李理
杨朋
-
机构
华中农业大学工学院
华中农业大学国家蛋品加工技术研发分中心
-
出处
《食品工业科技》
CAS
CSCD
北大核心
2017年第24期243-247,共5页
-
基金
国家自然科学基金(31371771)
湖北省科技支撑计划项目(2015BBA172)
+1 种基金
国家科技支撑计划项目(2015BAD19B05)
公益性行业(农业)科研专项(201303084)
-
文摘
为了研究快速无损鉴别鸡蛋产地的可行性,利用可见-近红外光谱技术,采集4种湖北不同产地鸡蛋的透射光谱(500~900 nm),利用中心化、归一化、标准正态变量(SNV)、Savitzky-Golay平滑滤波(SG)和多元散射校正(MSC)、直接正交信号校正(Direct Orthogonal Signal Correction,DOSC)算法对光谱数据进行预处理,采用t分布式随机邻域嵌入(t-distributed stochastic neighbor embedding,t-SNE)、主成分分析(PCA)方法对预处理后的数据降维,并将降维后的数据分别输入极限学习机(extreme learning machine,ELM)和随机森林(random forest,RF),建立鸡蛋产地溯源模型。比较两种方法建立的模型,发现运用DOSC预处理及t-SNE提取的光谱特征信息建立的RF模型鉴别效果最好,训练集和预测集的鉴别正确率分别为100%和98.33%。研究结果表明基于可见-近红外光谱技术对鸡蛋产地溯源是可行的,为进一步研究与开发鸡蛋产地溯源便携式仪器提供技术支持。
-
关键词
可见-近红外光谱
鸡蛋
产地溯源
t分布式随机邻域嵌入
随机森林
-
Keywords
visible- near-infrared spectrum
egg
the origin
t- distributed stochastic neighbor embedding
random forest
-
分类号
TS207.3
[轻工技术与工程—食品科学]
-
-
题名基于空间坐标与振动特征融合的机床切削状态分类方法
被引量：1
- 3
-
-
作者
王晶
程晓斌
高艳
王勋
杨军
-
机构
中国科学院噪声与振动重点实验室(声学研究所)
中国科学院大学
-
出处
《振动与冲击》
EI
CSCD
北大核心
2022年第23期249-256,306,共9页
-
基金
中国科学院先导专项项目(XDC02020400)。
-
文摘
t分布的随机邻域嵌入(t-distributed stochastic neighbor embedding, t-SNE)常被用作机床切削状态分类中的特征选择方法,以学习切削参数之间的潜在关系。为了提高切削状态分类的精度,融合振动信号特征与切削激励点的空间坐标,提出了空间坐标嵌入的t分布的随机邻域嵌入方法(spatial coordinate embedded t-SNE, Ct-SNE)。该方法采用振动信号构建高维特征空间,将空间坐标作为物理信息嵌入至特征空间,以优选出类内相似度高、类间差异性大的特征。试验采集了三轴立式铣床加工的数据,对比了传统t-SNE方法与Ct-SNE方法的可视化结果和切削状态分类的准确性。结果表明,与传统方法相比,切削激励点的空间坐标的引入可以提高振动特征的可区分度,显著提升切削状态分类的准确率。
-
关键词
状态监测
t分布的随机邻域嵌入
特征选择
振动监测
空间坐标
-
Keywords
state monitor
t-distributed stochastic neighbor embedding(t-SNE)
feature selection
vibration monitoring
spatial coordinate
-
分类号
TH1
[机械工程]
-
