一种参数自调整风电功率预测模型

为了提高风电功率预测精度,提出一种参数自调整风电功率预测模型.通过加权递推最小二乘(SWWRLS)方法建立预测模型,侧重当前数据对预测结果的影响,排除了历史数据对预测结果的干扰.模型通过加权递推的方法节省了存储空间,并且提高了模型对外界环境数据变化的自适应性.最后,分别采用支持向量机(SVM)方法、卡尔曼滤波(KF)方法和本文SWWRLS方法,以辽宁省某风电场的真实历史数据进行风电功率预测对比实验,实验结果表明,本文方法建立的模型具有较高的预测精度.     

组织支持对跨国公司回任人员知识转移的影响研究 ——自我效能的调节作用

以跨国公司的回任人员为研究对象,实证研究组织支持对跨国公司回任人员知识转移影响,探讨并检验自我效能在上述关系中所起的调节作用。层级回归分析结果表明:组织支持对回任人员知识转移具有显著的正向影响;自我效能在组织支持与回任人员知识转移之间起调节作用;并且回任人员的自我效能越强,其在组织支持与回任人员知识转移之间的调节效应就越强。     

基于聚类和协同标注的TSVM算法

针对数据集中类样本不均衡、样本标注代价大的问题,结合聚类算法、委员会投票思想和TSVM算法,提出一种基于聚类和协同标注的TSVM算法,该方法利用聚类算法进行子集划分,保证每个子集都包含良好的空间信息,对样本的标注采用多个分类器进行投票,提高标记准确率,减少错误的累积和传递,提高标注准确率,增强最后分类器的泛化性能.KDDCUP99数据集上的实验结果表明该方法对未知攻击有较高的检测准确率.     

教师自主支持与高中生自主动机、基本心理需要的关系

为探讨教师自主支持与高中生自主动机、基本心理需要之间的关系,采用问卷法对400名高中生进行调查研究,结果发现:自主支持与基本心理需要满足、自主需要、能力需要、归属需要、自主动机呈显著正相关;回归分析表明,基本心理需要、自主需要在自主支持与自主动机的关系中起完全中介作用,归属需要、能力需要起部分中介作用.说明自主支持、基本心理需要与自主动机有着紧密关系,自主支持通过满足基本心理需要对自主动机产生影响.     

基于累积运动能量图像的人体动作识别

指出了动作识别中的最大困难是难以提取有效的特征来准确描述人体的动作,动作模板是众多方法中的一种简单有效的方法,用来描述动作特征的经典动作模板是运动历史图像.由于受噪声的干扰,用运动历史图像描述复杂环境下的人体动作并不十分理想.为了得到比运动历史图像更加有效的动作模板,提出了将视频序列中的运动能量信息用一张图描述出来,称之为累积运动能量图像,提取其直方图特征来表征人体动作.经You Tube数据集上的实验表明:该累积运动能量图像的识别率比同类方法高.     

径向基SVM核参数混沌优化及工程应用

采用混沌优化算法,对支持向量机回归建模中的径向基核参数进行优化,找出了具有较强推广能力的径向基核参数.结合直线电机结构参数与性能输出模型的建模实例,证实了所研究方法用于工程建模是有效的.     

基于SVM的置信度综合方法在语音识别中的应用

讨论了语音识别中使用支持向量机(support vector machines,SVM)对音子级置信度进行综合的方法. 音子级置信度得分采用传统的方法计算而得,并使用SVM对音子级置信度进行综合得到词级的置信度得分. 在说话人无关的汉语孤立词识别实验中,使用作者方法比使用传统方法获得的系统等错误率rEER(equal error rates,EER)有明显降低,可以从基线系统的28.14%降低到23.71%,而系统的复杂度仅有小幅度的上升.     

高含盐油藏水驱储层参数变化机理及规律研究

通过岩心驱替以及砂岩微观孔隙模型驱替实验,研究了高含盐油藏水驱储层参数变化机理和规律.运用先进的支持向量机方法对驱替实验结果进行处理,完成了储层渗透率变化规律的定量描述.研究结果表明,高含盐油藏储层参数变化呈多元非线性函数关系,变化规律复杂;渗透率变化存在临界值,大于临界值时,渗透率随着驱替速度、驱替量和含盐量的增加而增大,小于临界值时,渗透率随着驱替速度、驱替量和含盐量的增加而减小;注入水性质会对参数变化过程有影响,而对最终变化结果无影响;盐的溶解是储层参数变化的根本原因,岩石颗粒的脱落和运移是储层参数变化的直接原因.     

基于RS与LS-SVR的储层参数预测

该文提出结合粗糙集(RS)和最小二乘支持向量回归(LS-SVR)的方法.该方法利用RS对原始数据进行约简,更好地减少了支持向量的维数;同时采用LS-SVR解决了常规SVM计算速度慢、抗噪能力差的缺点.实例证明该方法应用在复杂地层储层参数预测中具有优越性.     

样本属性重要度的支持向量机方法

支持向量机(SVM)是一种新的机器学习方法,已经广泛应用于模式识别和函数估计等问题中.针对现有的加权支持向量机(WSVM)和模糊支持向量机(FSVM)只考虑样本重要性而没有考虑属性重要性对分类结果的影响的缺陷,提出了基于样本属性重要度的支持向量机方法,该方法首先利用信息论中的信息增益技术计算各个样本特征属性对分类属性的重要度,然后对所有样本的同一特征属性的值分别用对应的属性重要度进行加权,最后所得数据集用于训练和测试SVM.数值实验的结果表明,该方法提高了分类器的分类精度.