随机配置网络在短时电力负荷曲线预测中的应用

传统梯度类神经网络负荷预测模型在面对高维度、大规模负荷数据集时，存在模型构建复杂、训练时间长等问题.为提高负荷曲线预测模型训练的时效性和预测准确性，提出了一种基于随机配置网络的短时电力负荷曲线预测方法.首先针对弱局部负荷波动对预测模型的影响，利用Savitzky-Golay滤波器对负荷时序平滑进行处理，将时序滤波处理后的负荷序列、节假日、气象等数据作为预测模型的输入组成部分.在此基础上，发挥随机配置网络模型的随机增量学习优势，完成负荷曲线预测模型的训练.利用某电厂采集的短时负荷数据及其影响因素数据对模型的预测效果进行验证，仿真结果表明，随机配置网络预测模型相较于深度神经网络模型在模型训练的时间效率方面更具优势，预测的效果基本与深度神经网络模型接近.     

一类新的基于神经网络预测的变周期网络控制系统采样方案

提出了一类新的能够减轻时延对网络控制系统影响的基于神经网络预测的变周期网络控制系统采样方法,简要论述了在网络控制系统中融入了BP神经网络后,如何对它进行建模、分析、控制,被选作采样周期的时延可以利用BP神经网络工具进行在线预测,文中还给出了一种新的可以应用于生产实践的网络控制系统推广模型.     

利用SVM-LSTM-DBN的短期光伏发电预测方法

为解决传统预测算法的不足,利用深度信念网络(DBN)耦合支持向量机(SVM)和长短期记忆神经网络(LSTM),提出一种新的光伏功率组合预测方法.分别构建以高斯径向基函数为核函数的支持向量机预测模型、4层长短期记忆神经网络为单项预测模型,通过深度信念网络组合,优化预测结果并输出.根据实际出力和预测结果的误差,利用DBN动态调整以获得最优值,进一步验证SVM-LSTM-DBN模型的有效性和准确性,并以新疆维吾尔自治区某光伏电站的实测数据进行仿真验证.结果表明:基于SVM-LSTM-DBN组合的光伏出力预测模型与单一模型相比,预测精度明显提高.     

深度神经网络蛋白质溶解性预测模型设计

蛋白质溶解性是生物信息学领域的重要研究课题,通过分析蛋白质溶解性数据,结合特征提取和深度学习技术,设计多种卷积神经网络预测蛋白质溶解性的模型.使用CD-HIT对蛋白质原始数据进行降噪,并利用G-gap对每个样本进行张量化处理,得到适用于卷积神经网络的特征数据,作为模型其中一路网络的输入;为提高模型预测精度,对每个样本利用SCRATCH工具提取6维序列特征和51维结构特征作为额外特征,作为模型的另一路网络输入.依据数据特点,通过对卷积层的串并联结构调整组合,设计4种不同网络模型,实现蛋白质溶解性预测.通过对比试验确定网络结构和参数,结果表明基于深度双路卷积神经网络DDcCNN(Deep Dual-channel Convolutional Neural Networks)的蛋白质溶解性预测模型整体性能最优,其预测精度、查全率、查准率、MCC(Matthews Correlation Coefficient)等性能指标分别达到76.31%、65.31%、75.05%、0.55.并通过与基于传统的深度神经网络、支持向量机、随机森林、决策树建立的预测模型以及现有的研究成果进行比较试验,证明了本研究设计的有效性.     

基于DBN-LSTM的滚动轴承剩余寿命预测模型

针对滚动轴承退化数据的复杂性和传统的寿命预测方法不能充分利用数据的相关性从而导致预测精度不高的问题,提出了一种基于融合深度置信神经网络（deep belief neural , DBN）和长短时记忆神经网络（long-short term memory , LSTM）的剩余寿命预测模型。该模型首先采用带通滤波降噪对滚动轴承振动数据进行去噪,然后依据均方根特征和峭度特征在轴承全寿命周期内的趋势图确定模型的预测起始点;其次利用优化后的4层DBN网络完成深度特征提取并用于LSTM的训练与测试。通过轴承全寿命周期试验证明提出模型的可靠性,并且与传统LSTM、BP(back propagation)神经网络和DBN-BP模型的预测结果进行对比,验证了本文模型的有效性。     

基于特征模型和模糊动态特征模型自适应控制方法的网络控制系统

针对网络控制系统模型参数选取困难的问题,利用特征模型和动态特征模型的自适应控制方法在实际工程中建模简单、控制精度较高的特点,以直流电机的网络控制系统为例,研究了具有时延和数据丢包网络情况下的网络控制系统,提出了基于特征模型的自适应控制方法和基于模糊动态特征模型的自适应控制方法.仿真结果表明:丢包率对特征模型控制器系统的影响较大,而网络延时对模糊动态特征模型控制器系统影响较大.所提两种方法均可有效保证网络控制系统的控制性能.     

基于生成对抗网络的肺结节良恶性诊断算法

针对实性肺结节CT影像数据量少、人工标注耗时耗力等问题,提出一种结合生成对抗网络和集成学习的实性肺结节良恶性计算机辅助诊断方法.首先,使用基于梯度惩罚的生成对抗网络对肺结节CT影像数据集进行扩充,缓解由数据量少、样本类别不均衡导致的模型过拟合.然后,利用卷积神经网络进行CT影像特征提取,并通过主成分分析对深度特征进行降维.最后,联合CT图像特征和有效临床信息,采用集成学习方法构建分类模型预测实性肺结节良恶性.基于多中心临床数据分析表明,相比于传统卷积神经网络模型,所提出方法有更好的预测性能.     

武器装备研制阶段费用预测方法及仿真

提出一种基于小波神经网络的武器装备研制阶段的费用预测方法.建立小波神经网络预测模型,并推导该模型的预测算法.应用一组美军反舰导弹数据进行仿真预测.结果表明,小波神经网络方法比传统BP网络方法平均预测误差减小了1%,收敛速度加快了3倍.     

基于深度信念网络的轮机实操智能评估方法

结合我国推进船员实操评估电子化、智能化的任务,提出基于深度信念网络的轮机实操智能评估方法.针对轮机实操评估的特点,给出了确定网络层次结构的具体方法.在提取大量的实操数据作为训练数据的基础上,通过逐层贪婪训练算法对限制玻尔兹曼机逐层训练,最后经BP算法对网络微调后形成评估模型.在仿真实验中,分别对带回归模块的深度自编码网络、BP神经网络和该模型的预测效果进行对比验证.结果表明,该模型评估效果比较客观、公正,评估误差最小,且避免了多层神经网络过早陷入局部最优的问题.     

GA-Elman网络的网络控制系统预测

为了消除网络时延对网络控制系统的影响,采用Elman神经网络预测系统时延采样值,并用遗传算法优化神经网络权值阈值.实验仿真表明:经遗传算法优化后的Elman神经网络具有很好的预测精度及动态性能,能够消除时延的影响,并验证了该方法对时延采样值预测的有效性.