基于增量式随机森林的燃气负荷预测方法

随着智能燃气网概念的普及和燃气智能表的发展,燃气负荷数据量呈指数级增长,燃气负荷预测面临新的挑战,传统的基于离线批量学习的数据预测方法已无法满足大数据量的实时数据预测需求。针对燃气负荷数据增量到达的预测场景,提出了一种增量式的随机森林回归(Incremental Random Forest Regression,IRFR)算法。该算法将一定量的样本存储在叶节点,通过衡量样本集变异系数来控制叶节点分裂;针对大数据量的情况,设计了样本丢弃策略来控制内存空间。在对上海市燃气负荷数据进行特征选择、提取并建模后,将IRFR算法应用于燃气负荷预测。实验结果表明,IRFR算法相比于传统的随机森林算法具有相当的准确率,同时所需训练时间较短,更适用于大数据量的增量学习场景。     

VB编程获取CIMISS数据及中文乱码处理

以Visual Basic 6.0(VB)编程获取CIMISS上饶地区雷电定位数据为例,介绍VB通过ActiveX技术,利用Microsoft.XMLHTTP对象方法,实现HTTP协议传送MUSIC接口服务请求和接收回应数据,同时解决城市名称等中文信息传输乱码问题。该方法具有代码简洁、运行稳定和响应迅速等优点,为CIMISS广泛应用于气象业务、科研开发提供技术和数据支持。     

随机缺失情况下固定设计半参数回归模型的相合性

目的在随机缺失情况下证明固定设计半参数回归模型的强相合性。方法利用引理,一些不等式及已给条件进行证明。结果证明了参数β的最小二乘估计和未知函数g(.)的非参数核估计是强相合的。结论随机缺失下半参数回归模型中β的参数估计和非参数函数g(.)的估计量是强相合的。     

实施科学数据共享增强国家科技竞争力

21世纪是科学技术突飞猛进的世纪,科学技术已成为社会变革和发展的主导力量,人类的未来和国家的繁荣将更加依赖于科技创新及科技产业化。正如江泽民同志所指出:“一个没有创新能力的民族难以屹立于世界民族之林”。加快国家创新体系建设,全面提高科技创新能力,不仅是科技发展的要     

有限状态机的多AGV路径优化策略

为解决多自动运输引导车(AGV)在实际物流中易发生冲突、堵塞的问题,提出一种基于有限状态机模型的实时路径规划方法.通过A*算法对自动导引运输车系统(AGVS)进行预路径规划,以工作路径长度作为适应度函数,对不同任务的AGV进行优先级分配;然后,引入有限状态机的模型,动态地对不同任务的AGV进行协同控制.若AGV之间存在路径冲突点,通过去交叉法,在优先级低的AGV中暂设冲突节点为障碍物状态.对优先级低的AGV重新进行路径规划,优先级高的AGV继续运行,实现AGVS的无冲突发生.仿真结果表明:该方法在保证工作路径是最优的同时,能有效地避免AGV在物流运输中的碰撞,实现系统调度过程中无冲突的发生,提高系统的效率.     

具有不确定性输出的决策单元的相对效益评价

针对一类输出受干扰影响的多输入多输出社会经济系统的效益评价问题,研究了数据包络分析方法中决策单元的有效性、P-生产可能集以及原始性等概念,定义了一个可用于判断输出受随机因素影响的决策单元相对有效程度的指标,并在此基础上给出了一个新的随机DEA评价模型,分析了该模型的性质、求解方法以及与现有模型的一致性等,最后给出了一个评价案例.     

基于毫米波探测器的炸高可选择近炸引信的炸高解算方法

为满足新一代箱式远程制导火箭弹系统及其新型战斗部的需求,对单型炸高可选择近炸引信进行研究.该型引信的炸高覆盖范围大且炸高可选择,既能满足大威力整体战斗部和电磁脉冲战斗部的炸高需求,又能满足子母战斗部的精确定高开舱需求,对提高陆军精确打击能力具有重要的军事价值.为此,提出一种基于毫米波相控阵探测器的炸高解算方法,通过相控阵探测器测高数据与惯性导航数据的融合处理,实时计算火箭弹飞行高程,从而实现炸高控制.并且将融合结果作为惯导的初值来计算下一时刻的惯导测高数据,在一定程度上减少了由于时间积累造成的惯导测量误差,提高了测高精度.仿真实验证明了该方法的有效性和炸高解算精度.      

基于Apriori算法的多维关联规则挖掘研究

关联规则是数据挖掘中的一个重要研究方向.经典的Apriori算法是一种最有影响的挖掘布尔型关联规则频繁项集的算法,但其并不适合挖掘近年来兴起的多维数据模型.在改进Apriori算法的基础上,提出了一种"二次剪枝"的算法,此算法适用于挖掘多维关联规则,并且在一定程度上提高了算法效率.     

大数据技术在电力企业的应用

本文主要探讨大数据技术在电力企业的应用,大数据以其数据总量大、种类多、传输快捷等特点,逐渐渗透在人们的生产生活,方便了我们的日常生活,对国家的经济发展也起了一定的作用,能为我们分析问题提供更多更好的解决方案。     

基于谱正则化算法的大数据矩阵完备化研究

矩阵完备化是基于部分观测数据来完成全部矩阵预测的问题.随着互联网技术的发展,大数据时代的来临,大数据矩阵中大多数据依然是空白的,需要补充,即大数据存在矩阵完备化的问题.本文利用谱正则化模型和算法来解决大数据的矩阵完备化问题,该方法将矩阵完备化问题整理成核范数最小二乘问题,再通过截断奇异值分解、软输入算法和硬输入算法给出了一系列正则化低秩解.最后基于实际的Netflix 大数据的实验结果证明了本文的方法.