基于拟蒙特卡罗法的电力系统抗震可靠性研究

针对电力系统抗震可靠性评估中蒙特卡罗方法误差收敛相对较慢的特点,将以低偏差序列抽样的拟蒙特卡罗方法应用于可靠性评估中,并结合了在求解传递闭包中能够减少计算量的三角形算法,建立了结合低偏差序列抽样与三角形算法的抗震可靠性计算模型.基于川北地区110 k V发电站与变电站的可靠性分析,分别进行了三种算法下的标准蒙特卡罗方法模拟和Sobol序列拟蒙特卡罗方法模拟.模拟结果表明:在电力系统抗震可靠性求解中,与伪随机数序列相比,Sobol序列的解算结果具有更高的收敛速度.当抽样次数为5 000次时,拟蒙特卡罗(QMC)方法的计算结果为0.6689,误差不超过0.1%,而蒙特卡罗(MC)方法的计算结果为0.6659,误差为0.389%;在相同抽样次数下,三角型算法相对于其他算法具有更高的运算效率,将三角形算法与拟蒙特卡罗方法结合既提高了精确度又提高了运算速度.     

应用最小费用流求解活动网络时间-费用模型

提出了利用最小费用流原理求解时间-费用优化模型的方法.应用对偶理论将费用-优化模型转换为适用于状态算法求解的最小费用流问题,采用互补松弛定理和状态算法推出了由对偶问题最优解求出原问题最优解的等式,以一个实例说明了利用上述方法求解时间-费用优化模型最优解的步骤.所提出的求解时间-费用优化模型的算法,提高了求解问题的效率,可用于大型工程网络的费用优化.     

基于效能分析的网络可靠性评估模型

为了实时有效地评估现实网络的可靠性,针对目前可靠性分析方法大多基于静态模型的问题,提出了一种基于效能的网络可靠性评估模型.在使用Weibull函数表示故障率模型的基础上建立了链路和节点效能的时变模型,并根据求解全网可靠性的一般方法得到整个网络的时间效能模型,通过网络效能的变化动态评价网络的可靠性.实验仿真结果表明,该网络效能模型在可修复系统与不可修复系统中能够客观描述网络效能随时间的变化.随着时间的增长,对于故障率时不变系统,网络效能将趋于稳定值;而对于故障率时变系统,网络效能将趋于0.时变故障系统模型更加适合于实时的网络效能分析,为网络可靠性的分析提供了更加有效的方法.     

车削颤振时变可靠性分析

考虑车削加工过程中刀具磨损对切削力系数的影响,用Gamma过程描述了切削力系数随时间的变化过程,并建立了车削颤振时变可靠性模型.提出了主动学习的Kriging模型与基于首次超越的子集模拟相结合的时变可靠性分析方法(AK-SSFP).对某一车床建立车削颤振稳定性模型,分别采用Monte Carlo方法(MCS)、基于主动学习Kriging的Monte Carlo方法(AK-MCS)和AK-SSFP方法计算车削颤振时变可靠度.AK-SSFP方法的结果与MCS方法的结果一致性很好,且AK-SSFP方法减少了真实极限函数的调用次数并缩短了运算时间.AK-SSFP在保证精度的同时提高了计算效率,解决了车削加工系统颤振时变可靠度的计算问题.     

基于改进PSO-LSSVM和蒙特卡洛法的电力系统可靠性评估

针对电力系统可靠性评估方法耗时长、误差大等问题,提出一种用改进粒子群优化算法(PSO)优化最小二乘支持向量机(LSSVM)参数,并将构建好的PSO-LSSVM模型与蒙特卡洛法(MCS)相结合用于发输电系统可靠性评估的方法。该方法通过对PSO算法进行合理的改进,得到更为精确的LSSVM模型参数,建立用于分类系统状态样本的PSO-LSSVM模型。对MCS方法抽取的系统状态样本分类得到故障状态和正常状态,仅对故障状态样本进行可靠性指标计算,统计输出可靠性评估结果。采用该方法对IEEE-RTS 79系统不同运行情况下的可靠性指标进行计算,结果表明该方法保证计算时间不变的同时提高了LSSVM-MCS方法的评估精度。     

相异元件并联的可靠性优化模型

研究了具有不同类型元件并联的串-并联网络可靠性优化模型的求解问题.依据构造的可靠性网络图,选择合适的状态转移规则和信息素更新规则,构造了一个求解3-状态设备具有不同类型元件并联的串-并联网络单目标-单约束可靠性优化问题的蚁群算法框架.合理设置算法参数并进行模拟仿真,结果表明,对给定的问题实例,算法都能有效地给出模型的最优解.     

层次化分类淘汰法的网络最优弥补模型

针对求解最优弥补的特点和需求,利用层次化分类淘汰,提出一种基于层次化分类淘汰法的最优弥补模型(HSE-ONHM),得到最优弥补的精确解.为了验证HSE-ONHM的可行性和有效性,分别采取穷举法和层次化淘汰算法求解同一目标网络环境的最优弥补.实验结果表明:无论是淘汰次数还是CPU消耗时间,层次化分类淘汰法比穷举法优越;层次化分类淘汰法的计算时间随着初始属性节点数量呈指数增加,该实验结果与算法性能分析结果一致.     

混合学习法前向网络多属性储层参数预测

应用前向网络描述地震属性和储层参数间的非线性映射关系时,经典的误差反向传播算法存在收敛速度慢,易陷入局部极值等诸多不足。研究了融合粒子群优化算法和误差反向传播算法的混合学习法前向网络多属性储层参数预测技术。粒子群优化算法是一种群体随机搜索演化计算技术,具有较快的收敛速度和较强的全局搜寻能力;误差反向传播算法本质上是梯度下降算法,注重局部搜索。混合学习法为两种学习算法交替执行,首先以粒子群优化算法训练网络,当误差能量在规定的迭代次数内不再发生变化时,采用误差反向传播算法实现局部寻优。理论函数逼近测试和实际储层参数预测实验说明了混合学习法具有学习时间短、求解效率高、可靠性强的优点,具有良好的应用前景。     

交互式马尔科夫链上弱模拟关系的计算

对交互式马尔可夫链模型(IMCs)上的弱模拟前序关系的计算算法进行讨论.在IMCs上判断弱模拟关系时,重点对概率转移关系进行弱模拟前序关系的判断,同时考虑内部动作对系统的影响.通过引入适当的变量,将IMCs上弱模拟定义中的马尔可夫转移条件转化为求解一个线性规划问题的解.利用该线性规划问题的数值求解方法,可在多项式时间内求得该线性规划问题的解.从而得到判定IMC上两个进程是否弱模拟的多项式时间算法.     

中压配电网可靠性的模糊评估

配电网可靠性评估中,元件的可靠性参数如：故障率、故障修复时间等具有明显的非精确性,这种非精确性很适合用模糊数来描述．基于同一论域模糊数问插值运算的思想,分析了论域在模糊数运算间中的变化及求解方法,提出不同论域问模糊数的四则运算算法．将模糊数引入中压配网可靠性评估,根据故障率和故障修复时间的特点建立了模糊可靠性评估模型,并引入去模糊技术,得出中压配电网可靠性的模糊评估算法．将该算法运用到RBTS—Bus2系统及工程算例系统,验证了算法的有效性和实用性．     

采用MEA-AdaBoost-BP模型的工程结构可靠性分析方法

针对工程结构可靠性设计中算法和计算存在的问题,提出基于MEA-AdaBoost-BP神经网络算法模型的可靠性求解方法. 运用思维进化算法(MEA)求解训练集权值和阈值优化的BP神经网络,并构造为弱预测器函数.然后,运用AdaBoost算法将多个优化后的BP神经网络弱预测器函数迭代训练,形成MEA-AdaBoost-BP神经网络算法模型强预测器函数. 最后,利用逼近隐性功能函数求解可靠性指标,并将其与AdaBoost-BP算法和Monte-Carlo算法进行比较.研究结果表明:所提算法在计算中与Monte-Carlo算法相比,其迭代次数分别仅为16次和46次,效率高,计算精度与Monte-Carlo法接近;而和AdaBoost-BP法相比,其可靠性指标误差分别仅为1.59%和1.88%,计算结果更精确.     

计算不交和的一个新算法

提出一个计算网络可靠度的有效算法。算法基于二分决策图,但采用新的法则选取Shannon公式中的关键字母及因式分解技巧,与已有的某些算法相比,算例表明这个算法比较简单,产生比较少的不交和项及比较紧凑的公式。     

基于集成卷积神经网络的交通标志识别

以交通标志识别为研究目的,提出一种基于集成卷积神经网络的交通标志识别算法,通过对多个不同结构的卷积神经网络进行集成以提高算法识别率。为了缩短网络训练和测试时间以及提高网络识别率,对单个卷积神经网络的结构进行了优化。使用ReLU(rectified linear unit)激活函数来代替传统的激活函数,使用批量归一化(batch normalization,BN) 方法对卷积层输出数据进行归一化处理,将卷积神经网络的分类器用支持向量机(support vector machine,SVM)代替。使用德国交通标志识别数据库(german traffic sign recognition benchmark,GTSRB)进行训练和测试,实验结果表明,提出的算法识别率为98.29%,单幅交通标志图像测试时间为1.32 ms,对交通标志具有良好的识别性能。     

支持向量机与人工神经网络

支持向量机（Support Vector Machine,SVM）是由Vapnik等人提出的一种基于统计学习理论的新型机器学习算法;而人工神经网络（Artificial Neural Network, ANN）已经成功用于解决模式识别和任意非线性函数回归估计问题中. 介绍了支持向量机与人工神经网络的基本原理,并对二者进行了逼近方面的比较,结果表明,支持向量机作为一种新兴技术而具有的独特的优越性.     

一种改进的SVM多类分类算法在入侵检测中的应用

入侵检测作为网络安全的关键技术,成为了当前网络安全研究的热点,入侵检测算法的准确率和推广性能是研究的重点。基于二叉树的思想和超球支持向量机的特点,本文提出了一种改进的SVM多类分类入侵检测算法。本文通过引入相似度函数作为权值,选取相似性最小的两类样本构造两类分类器,采用自下而上的方法构造多个两类超球SVM分类器,并将该多类分类算法应用于入侵检测中。利用KDD CUP 1999入侵检测数据进行了仿真实验,实验结果表明,该算法能有效提高检测准确率、推广性能也得到较好改善。     

采空区危险性的支持向量机识别

针对采空区危险性影响因素与其危险性等级之间存在着复杂非线性关系的特点,笔者提出采用支持向量机最优分类理论来识别采空区的危险性等级。研究选取岩体结构、地质构造、岩石抗压强度、弹性模量、采空区形状、矿体倾角、高跨比、空区体积等8个参数作为主要影响因素,根据支持向量机理论,提出了1-V-1的采空区分类算法,并在Matlab中编程,建立了分类预测的SVM模型。以某矿山的实测采空区为例,利用该模型进行了识别,并与BP神经网络预测结果作对比。实例研究表明,采用该方法的分类结果比神经网络更准确,与采空区调查结果一致性好,用支持向量机理论进行采空区危险性评价是可行的。     

基于一类SVM概率密度估计的多分类贝叶斯算法研究

为降低训练分类器的运算复杂度，并解决支持向量机（SVM）对多类分类问题没有特别有效解决方法的问 题。提出了一种基于一类支持向量机的多分类贝叶斯算法，证明了基于径向基核函数的一类SVM的分类函数归 一化为密度函数，并将所得的概率密度函数用于构造二分类及多分类贝叶斯分类器。仿真实验将提出的多分类贝 叶斯算法应用于多类通信信号调制识别，结果表明：该算法的分类准确率不低于传统SVM多分类器，而在多类属、 每类训练样本数目较大的情况下训练所需的运算量和存储量仅是传统SVM多分类算法的0.5%大大减小了核 矩阵规模和     

基于随机森林的认知网络主用户信号调制类型识别算法

针对低信噪比情况下主用户信号调制类型识别率低的问题,提出了一种使用信号循环谱中特征参数作为样本参数的基于随机森林的认知网络信号类型识别算法,通过使用训练完成的随机森林对主用户信号类型识别,有效抑制了采用ANN和SVM进行识别所造成的误差影响,提高了低信噪比下信号识别的精确度,实现了不同调制类型信号的有效检测与识别.实验结果表明:所提出的算法有较高的主用户信号调制类型识别精度,进而验证了算法的有效性.     

Structural Reliability Analysis Based on Support Vector Machine and Dual Neural Network Direct Integration Method

Aiming at the reliability analysis of small sample data or implicit structural function, a novel structural reliability analysis model based on support vector machine(SVM) and neural network direct integration method(DNN) is proposed. Firstly, SVM with good small sample learning ability is used to train small sample data, fit structural performance functions and establish regular integration regions. Secondly, DNN is approximated the integral function to achieve multiple integration in the integration region. Finally, structural reliability was obtained by DNN. Numerical examples are investigated to demonstrate the effectiveness of the present method, which provides a feasible way for the structural reliability analysis.