基于神经网络的短期电力负荷预测

采用神经网络方案来进行短期电力负荷预测，探讨了负荷模型分类模式，对应用于实际的神经网络算法进行了具体处理，如数据的归一化问题，网络权值与阈值的初始值选定，训练样本的选择策略等。同时，以三种短期负荷预测为例，进行了大量的仿真研究，结果表明神经网络用于电力负荷预测不但可满足短期负荷预测的技术要求，而且精度比常规方法高，且算法快速简单。     

基于奇异值分解的分类器及在人脸识别中的应用

提出了利用一个人脸样本的奇异值分解构造其所在类别分类器的方法，解决了人脸识别中训练样本少的问题，并给出了利用错归样本更新分类器的方法．实验表明每类仅有一个训练样本就可以得到满意的识别率，并且仅利用一个错归样本更新分类器还可以使识别率进一步提高．     

粗糙集-神经网络故障诊断方法研究

从人工神经网络故障诊断模型的特点出发 ,利用粗糙集理论解决该模型应用中的主要问题 ,包括进行训练样本质量研究 ,定义相关概念 ,给出故障特征提取算法等 ,提出了粗糙集 神经网络智能混合系统模型 ,分析了该模型的实现步骤 ,结合具体实例验证了上述理论的正确性·利用SAS软件进行了数值仿真·结果表明 ,提出的理论较好地解决了神经网络结构、训练样本的大小、样本质量等对人工神经网络的精度及泛化能力有直接影响的问题 ,减少了训练所需的计算量和时间 ,提高了模型的正确率·     

光电法鉴别孵化早期无精蛋的设计性物理实验

讨论利用现成的光电效应实验仪来测量孵化早期鸡蛋的透光性的实验组装的技术问题和基本原理,提出了利用贝叶斯决策理论把孵化早期无精蛋鉴别出来的方法.     

一种基于最短距离聚类的K最近邻分类算法

针对传统K最近邻（KNN）分类法执行效率低的问题,提出一种改进的K最近邻分类法。先采用最短距离聚类法分别对训练样本和测试样本进行聚类,生成一些小簇和孤立点,再对小簇或孤立点使用改进的K最近邻方法进行分类。改进后的方法能极大地缩小分类样本的规模,降低计算成本,提高分类效率。     

高分辨率遥感图像森林训练样本自动提取及其在变化检测中的应用

森林训练样本自动提取算法(TDA)已在Landsat图像分析中得到了成功应用,笔者以广西苍梧县广平镇为研究区,采用2007年ALOS、2011年Rapid Eye遥感图像,试验该算法在高分辨率图像中的应用。研究首先根据图像光谱特性自动识别出纯净森林训练样本,然后依据归一化的整合森林指数图像提取两期森林/非森林分类结果并以此进行林地变化检测,经过精度分析结果表明,面积总误差为-2.6%,空间位置精度为87.7%,说明该算法可有效地从高分辨率遥感图像提取出纯净的森林训练样本,为森林/非森林分类以及变化检测提供基础数据。     

基于模糊训练数据的支持向量机与模糊线性回归

支持向量机作为1种机器学习方法已广泛应用于模式识别及函数拟合,但在支持向量机中,训练数据均为精确数据.针对训练数据的输入是模糊数的情况,研究基于模糊训练数据的分类型支持向量机,并给出其解法.然后应用基于模糊训练数据的支持向量机研究模糊线性回归问题.     

基于图像边缘位移的有监督的稀疏表示分类方法

稀疏表示分类算法在有监督的图像识别上有广泛的应用.该分类算法的准确度与训练样本个数有很大的关联.通常训练样本越充分,则该算法分类准确率越高,然而遇到小样本问题时,该算法分类准确率会明显降低.针对小样本问题,提出使用基于图像边缘位移的方法,得到和原始训练图像样本高度相关的新样本,达到扩充训练样本容量的目的,进而提高算法的分类准确率.同时,对于带仿射约束的稀疏表示分类算法,也可以经过图像边缘位移方法来提高分类准确率.实验结果证明,所用方法能够取得较好的图像识别效果.