基于退火期望最大化算法的电力系统负荷预测

对于电力系统负荷预测中的不确定性,使用EM算法训练全局收敛的特点,并在EM算法的基础上提出了一种训练随机多层前馈网络的A-EM算法.该算法利借鉴退火过程,引入温度参数,减小了初始参数对最终结果的影响来对负荷进行预测,定例计算表明,该模型具有良好的精确性和应用性.     

人工神经网络和模糊理论在短期负荷预测中应用

对于电力系统负荷预测的复杂性,为提高短期预测的准确性,采用以人工神经网络为基础,提出了一种利用神经网络与模糊理论相结合进行负荷预测的模型。该算法克服了传统BP算法的训练速度慢、存在局部极小点的缺点,使预测精度大有改善。实例计算表明了该算法的改进成果和可行性。     

基于退火期望最大化算法的电力系统负荷预测

对于电力系统负荷预测中的不确定性,使用EM算法训练全局收敛的特点,并在EM算法的基础上提出了一种训练随机多层前馈网络的A—EM算法。该算法利借鉴退火过程,引入温度参数,减小了初始参数对最终结果的影响来对负荷进行预测,定例计算表明,该模型具有良好的精确性和应用性。     

提高太原南郊电网日负荷预测准确率

对南郊电网负荷特性进行深入剖析,找出影响负荷预测准确率的因素,并提出提高负荷预测准确率的措施.     

混沌时间序列联合预测方法

在混沌时间序列加权一阶局域预测法的基础上, 利用数理统计方法中的区间估计概念并通过对预测误差分布的学习, 提出一种新的联合预测方法, 在给出预测值的同时, 给出该预测结果的置信区间, 并用Logistic映射产生的时间序列检验了算法的有效性.     

电力负荷预测的核偏最小二乘回归模型

利用高斯核函数将低维空间的非线性回归转化为高维空间的线性回归,建立了基于核偏最小二乘回归的电力负荷预测模型,克服了非线性因素对预测模型的不利影响.应用武汉市的实际数据进行了验证,结果表明,基于核偏最小二乘回归的电力负荷预测与线性偏最小二乘回归相比,具有更好的预测性能.     

避邪的虎头帽

对南郊电网负荷特性进行深入剖析,找出影响负荷预测准确率的因素,并提出提高负荷预测准确率的措施。     

提高太原南郊电网日负荷预测准确率

对南郊电网负荷特性进行深入剖析,找出影响负荷预测准确率的因素,并提出提高负荷预测准确率的措施。     

通过蛋白质互作网络预测已知部分功能的蛋白质的精细功能

基于高通量数据, 研究人员已经设计了许多算法用于寻找功能完全未知蛋白质的功能. 然而, 这些算法的效率受到一些根本因素的制约, 包括: (ⅰ) 功能完全未知的蛋白质参与一个精细功能的先验概率低; (ⅱ) 高通量互作数据中有大量的假阳性互作; (ⅲ) 蛋白质互作数据对功能类的覆盖不完全; (ⅳ) 训练算法的大量阴性样本数据是异质的; (ⅴ) 训练算法的蛋白质的精细功能知识不足. 因此, 本研究提出一种新的方法对已知部分功能的蛋白质进行功能预测, 即利用功能特异的蛋白质互作子网或者基因表达模式信息来寻找蛋白质更为精细的功能. 该方法能够通过恰当地定义预测范围和过滤假阳性数据减少上述提到的问题, 因此可以高效地发现蛋白质的新功能. 对于几千个已知部分功能的酵母与人类蛋白质, 该方法能够以超过90%的精确率找到它们更为精细的功能. 预测的精细功能对于指导随后的湿实验和提供必要的功能知识来学习其他蛋白质的功能都具有重要的意义.     

基于剪接信号和调节元件序列特征的剪接位点预测方法

结合剪接相关的剪接信号和调节元件的序列特征信息, 发展高效的剪接位点预测方法, 是真核生物基因预测中一个新课题. 运用熵密度分布(EDP)距离方法、权重数组法(WAM)、κ检验等算法建立了剪接位点相关的剪接信号的统计模型, 同时基于无监督自学习的基序检测方法建立了调节元件的统计模型, 在此基础上设计了基于多层次支持向量机(SVM)的剪接位点预测新算法, 实现了真核基因剪接位点的从头(ab initio)预测. 对人类基因组剪接位点数据的大规模测试结果表明, 本研究提出的方法能够有效地预测人类基因组中的剪接位点, 预测水平不仅全面高于传统的基于剪接信号的预测方法GeneSplicer, 而且在总体预测精度上达到并大部分超过基于调节元件信号的预测方法SpliceScan. 对于低GC含量的基因序列, 本文方法的预测精度明显地高于其他两种方法.