期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于FARIMA模型的Internet时延预测
被引量：
23
1
作者
宋杨
涂小敏
费敏锐
《仪器仪表学报》
EI
CAS
CSCD
北大核心
2012年第4期757-763,共7页
针对Internet时延具有自相似性这一特点,采用自回归分数滑动平均模型(fractal autoregressive integrated moving aver-age,FARIMA)对Internet时延建模,提出了基于概率上限的Internet时延预报方法,即保证实际时延按一定概率在预测时延...
针对Internet时延具有自相似性这一特点,采用自回归分数滑动平均模型(fractal autoregressive integrated moving aver-age,FARIMA)对Internet时延建模,提出了基于概率上限的Internet时延预报方法,即保证实际时延按一定概率在预测时延范围之内。通过对实测时延数据进行预测对比,结果表明基于FARIMA模型的预测效果要优于基于ARMA(auto regnessive and mov-ing average)模型的预测效果。
展开更多
关键词
自相似性
Internet时延
FARIMA模型
在线阅读
下载PDF
职称材料
基于AP-HMM混合模型的充电桩故障诊断
被引量：
10
2
作者
林越
刘廷章
+2 位作者
陈一凡
金勇
梁立新
《广西师范大学学报（自然科学版）》
CAS
北大核心
2018年第1期25-33,共9页
确定性的相似性传播(AP)聚类方法和统计性的隐马尔可夫模型(HMM)是2种常用的设备故障诊断方法,但电动汽车充电桩结构设计复杂且目前积累的故障样本不多,使用上述2种方法均不够理想。针对充电桩故障诊断本身具有的特点,结合AP聚类快速、...
确定性的相似性传播(AP)聚类方法和统计性的隐马尔可夫模型(HMM)是2种常用的设备故障诊断方法,但电动汽车充电桩结构设计复杂且目前积累的故障样本不多,使用上述2种方法均不够理想。针对充电桩故障诊断本身具有的特点,结合AP聚类快速、准确提取故障的特征和HMM强大的故障分类能力,本文提出一种基于AP-HMM混合模型的充电桩故障诊断方法。为了研究充电桩长期工作的状态性质,采用马尔可夫平衡方程组求得充电桩发生故障的稳态概率值。实验结果表明,与传统模型相比,AP-HMM混合模型的充电桩故障诊断学习精度提高了3%以上。本文提出的混合模型具有一定的可行性与普适性,可在一定程度上用于速度要求低但精度要求高的其他电子设备故障诊断。
展开更多
关键词
相似性传播聚类
隐马尔可夫模型
充电桩
稳态分布
故障诊断
在线阅读
下载PDF
职称材料
基于双向KL距离聚类算法的变压器状态异常检测
被引量：
6
3
作者
林越
刘廷章
+2 位作者
黄莉荣
奚晓晔
潘建
《广西师范大学学报（自然科学版）》
CAS
北大核心
2018年第4期20-26,共7页
针对欧式距离在某些数据集合相似性度量中存在区分能力差的缺点,本文提出基于双向KL(Kullback-Leibler)距离聚类算法的变压器状态异常检测一般模型及分析方法。以湖州市某变电站历史监测数据对上述模型进行算例分析,结果表明,该方法消...
针对欧式距离在某些数据集合相似性度量中存在区分能力差的缺点,本文提出基于双向KL(Kullback-Leibler)距离聚类算法的变压器状态异常检测一般模型及分析方法。以湖州市某变电站历史监测数据对上述模型进行算例分析,结果表明,该方法消除了欧式距离在变压器状态异常检测中的不足,可有效减少故障漏报信息,具有一定的实用价值。
展开更多
关键词
欧式距离
KL距离
聚类
变压器
异常检测
在线阅读
下载PDF
职称材料
题名
基于FARIMA模型的Internet时延预测
被引量：
23
1
作者
宋杨
涂小敏
费敏锐
机构
上海大学
机电
科学
与工程
学院
自动化系
上海大学
电站自动化技术重点实验室
出处
《仪器仪表学报》
EI
CAS
CSCD
北大核心
2012年第4期757-763,共7页
基金
国家自然科学基金(60904016
61074032)
+1 种基金
上海市青年科技启明星计划(11QA1402500)
上海大学研究生创新基金(SHUCX112170)资助项目
文摘
针对Internet时延具有自相似性这一特点,采用自回归分数滑动平均模型(fractal autoregressive integrated moving aver-age,FARIMA)对Internet时延建模,提出了基于概率上限的Internet时延预报方法,即保证实际时延按一定概率在预测时延范围之内。通过对实测时延数据进行预测对比,结果表明基于FARIMA模型的预测效果要优于基于ARMA(auto regnessive and mov-ing average)模型的预测效果。
关键词
自相似性
Internet时延
FARIMA模型
Keywords
self-similarity
Internet time-delay
fractal autoregressive integrated moving average（FARIMA） model
分类号
TP273 [自动化与计算机技术—检测技术与自动化装置]
在线阅读
下载PDF
职称材料
题名
基于AP-HMM混合模型的充电桩故障诊断
被引量：
10
2
作者
林越
刘廷章
陈一凡
金勇
梁立新
机构
上海大学机电与工程学院
海南热带海洋
学院
信息
工程
学院
上海
国际汽车城(集团)有限公司
出处
《广西师范大学学报（自然科学版）》
CAS
北大核心
2018年第1期25-33,共9页
基金
国家自然科学基金(61273190)
上海嘉定新能源汽车商业模式创新产业联盟
文摘
确定性的相似性传播(AP)聚类方法和统计性的隐马尔可夫模型(HMM)是2种常用的设备故障诊断方法,但电动汽车充电桩结构设计复杂且目前积累的故障样本不多,使用上述2种方法均不够理想。针对充电桩故障诊断本身具有的特点,结合AP聚类快速、准确提取故障的特征和HMM强大的故障分类能力,本文提出一种基于AP-HMM混合模型的充电桩故障诊断方法。为了研究充电桩长期工作的状态性质,采用马尔可夫平衡方程组求得充电桩发生故障的稳态概率值。实验结果表明,与传统模型相比,AP-HMM混合模型的充电桩故障诊断学习精度提高了3%以上。本文提出的混合模型具有一定的可行性与普适性,可在一定程度上用于速度要求低但精度要求高的其他电子设备故障诊断。
关键词
相似性传播聚类
隐马尔可夫模型
充电桩
稳态分布
故障诊断
Keywords
affinity propagation clustering
hidden Markov model
charging piles
stable distribution
fault diagnosis
分类号
TP274 [自动化与计算机技术—检测技术与自动化装置]
在线阅读
下载PDF
职称材料
题名
基于双向KL距离聚类算法的变压器状态异常检测
被引量：
6
3
作者
林越
刘廷章
黄莉荣
奚晓晔
潘建
机构
海南热带海洋
学院
信息
工程
学院
上海大学机电与工程学院
海南电网有限责任公司海口供电局
出处
《广西师范大学学报（自然科学版）》
CAS
北大核心
2018年第4期20-26,共7页
基金
国家自然科学基金(61273190)
文摘
针对欧式距离在某些数据集合相似性度量中存在区分能力差的缺点,本文提出基于双向KL(Kullback-Leibler)距离聚类算法的变压器状态异常检测一般模型及分析方法。以湖州市某变电站历史监测数据对上述模型进行算例分析,结果表明,该方法消除了欧式距离在变压器状态异常检测中的不足,可有效减少故障漏报信息,具有一定的实用价值。
关键词
欧式距离
KL距离
聚类
变压器
异常检测
Keywords
Euclidean distance
KL distance
clustering
power transformer
anomaly detection
分类号
TP274 [自动化与计算机技术—检测技术与自动化装置]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于FARIMA模型的Internet时延预测
宋杨
涂小敏
费敏锐
《仪器仪表学报》
EI
CAS
CSCD
北大核心
2012
23
在线阅读
下载PDF
职称材料
2
基于AP-HMM混合模型的充电桩故障诊断
林越
刘廷章
陈一凡
金勇
梁立新
《广西师范大学学报（自然科学版）》
CAS
北大核心
2018
10
在线阅读
下载PDF
职称材料
3
基于双向KL距离聚类算法的变压器状态异常检测
林越
刘廷章
黄莉荣
奚晓晔
潘建
《广西师范大学学报（自然科学版）》
CAS
北大核心
2018
6
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
