基于代价敏感系数的混凝土抗压强度预测

针对传统自适应增强学习算法训练过程中只关注预测误差率最小的缺陷,本文提出了一种基于代价敏感系数的改进自适应增强学习算法并应用于混凝土抗压强度预测。首先考虑影响混凝土强度的8种参数作为特征变量,通过自适应增强学习算法集成回归树,依据样本权值抽样建立多个弱回归学习器。同时引入线性敏感系数与指数敏感系数来优化增强学习过程中样本权值的更新问题,采用引力搜索算法对代价敏感系数的基数进行最优选取。最后,根据权重比集成弱学习器得到最终预测模型。通过对所提出的两组不同代价敏感系数组合策略下的预测模型与随机森林、BP神经网络算法等模型的预测结果进行对比分析,验证了所提预测模型具有更好的预测性能。     

结合改进聚类算法与PSO-GA-BP神经网络算法的日最大负荷预测方法

为向负荷预测模型提供准确可靠的相似日训练样本集合,针对现有聚类算法在初始聚类中心选取方面的不足,提出了一种基于数据中心度的改进聚类算法,并搭建集数据筛选、聚类、优化、训练、预测为一体的日最大负荷预测模型.首先,基于各被聚类对象的中心度,选取聚拢效果最好的对象作为第一个聚类中心代入Canopy算法,形成初始聚类中心集合;然后,采用K-means聚类算法,得到不同类别相似日的训练样本;最后,利用PSO-GA-BP神经网络算法搭建日最大负荷预测模型进行预测分析.算例对某地区2011—2012年日最大负荷开展预测分析,结果表明：所提方法在聚类指标与预测指标上均具有一定优越性,具备一定实际工程应用价值.     

基于节点电压概率模型的K-Means台区拓扑优化研究

随着电动汽车等柔性负荷的大规模接入,传统低压配电台区拓扑等值方式难以满足需求.为进一步提高负荷建模和台区拓扑结构优化的准确性,提出了一种基于节点电压概率模型的K-Means台区拓扑优化方法,首先,构建节点电压概率模型;其次,提出基于距离原则的K-Means聚类和基于电压原则的负荷等效算法,对台区负荷进行等效建模;最后,以用户电压偏差指标作为负荷建模的输入数据对某低压台区进行算例仿真.仿真结果表明：所建模型能够较为准确地简化台区拓扑.     

基于改进CART算法的退役动力电池等级筛选方法

针对退役动力电池存在一致性差、等级筛选效率低的难题,提出了一种基于改进CART算法的退役动力电池等级筛选方法。首先,分析了传统CART算法的基本原理,为克服算法计算量大的缺陷,将Fayyad边界点判定定理与CART算法相结合,通过选取属性最优阈值点来减少计算量,提高分类效率;其次,基于代价复杂度后剪枝算法,采用交叉验证法对算法进行进一步优化;最后,将改进CART算法用于退役动力电池筛选分类,实验结果表明改进CART算法在保持较高准确率的情况下,可以有效提高退役动力电池的等级筛选效率。     

联合板索基础上板承载稳定性研究

现今使用的既抗压又抗拔基础型式存在较多的缺陷和不足,鉴于此作者构建了联合板索基础.该基础是一种新型基础型式,基于该基础钢筋混凝土上板所受重力、下压力和上拔力等竖向力以及所受水平力情况,分别研究了钢筋混凝土上板在轴心荷载和偏心荷载作用下的地基压力以及抗倾覆稳定和水平抗滑移稳定,为联合板索基础的设计施工提供了理论支撑.