【摘 要】
：
针对架空输电线路弧垂在计算过程中易受测量数据(温度、风速、档距等参数)影响的问题,提出了基于数据预处理的PSO-BP神经网络弧垂预测模型.对收集数据中部分样本缺失的情况,使用合成少数过采样技术(SMOTE)对不平衡样本进行合成;构建PSO-BP神经网络用于弧垂预测,使用不同工况条件的数据训练网络,实现弧垂预测的目的,并将网络的性能与传统的BP神经网络性能进行对比.实验结果表明,与传统BP神经网络模型相比,本文提出的模型进行弧垂值预测后所得的误差绝对值显著降低.本文提出的模型可以加快训练速度、提高预测精度.
【机 构】
：
广东工业大学 自动化学院,广州,510006;广东电网有限责任公司机巡管理中心,广州,510000
论文部分内容阅读
针对架空输电线路弧垂在计算过程中易受测量数据(温度、风速、档距等参数)影响的问题,提出了基于数据预处理的PSO-BP神经网络弧垂预测模型.对收集数据中部分样本缺失的情况,使用合成少数过采样技术(SMOTE)对不平衡样本进行合成;构建PSO-BP神经网络用于弧垂预测,使用不同工况条件的数据训练网络,实现弧垂预测的目的,并将网络的性能与传统的BP神经网络性能进行对比.实验结果表明,与传统BP神经网络模型相比,本文提出的模型进行弧垂值预测后所得的误差绝对值显著降低.本文提出的模型可以加快训练速度、提高预测精度.
其他文献
钢铝异种金属焊接中,由于钢铝两种材料的热物理性能和化学结晶性能相差较大,导致其焊接性极差.本文通过正交试验确定了钢铝焊接的最佳工艺参数,之后采用最佳工艺参数,研究了添加铜、锌薄片后钢铝电子束焊接性能的变化.结果显示铜的添加对改善钢铝焊接性有比较明显的效果.
在实际工程中,网络化控制系统的采样间隔往往受到不可预知的物理约束,而这会导致噪声采样区间,也就是实际采样区间以一定的概率分布围绕着理想采样周期随机波动.本文研究噪声采样区间下具有随机短时滞的网络化系统镇定问题.首先利用离散时间方法建立一个闭环随机系统模型,但由于采样噪声和时变短时滞都具有随机性,因此,闭环随机系统模型的系统矩阵具有高度非线性和双重随机性.为了解决系统矩阵的高度非线性和双重随机性给镇定控制器设计带来的困难,本文利用汇合范德蒙矩阵方法和克罗内克积运算,计算出与系统矩阵相关的三个矩阵乘积的数学期
本文考虑了一类非线性中立型随机延迟微分方程,其漂移项系数和扩散项系数均是超线性增长的,且中立项满足压缩映射条件.本文建立了这类方程的截断型θ-EM算法,并得到了其收敛率.最后,给出一个例子验证了理论结果.
基于观测器的离散马氏跳变系统(D-MJSs)是随机的,但系统待估计的故障是确定性信号,因此很难直接研究该系统的故障估计问题.针对该问题,本文提出一种构造辅助系统方法,通过对随机变量取期望来构造确定性的中间变量,进而建立的中间估计器可以同时估计系统状态和故障.此外,基于一种新的放缩手段,进一步考虑转移概率矩阵(TPM)不确定的情况.所有条件均以线性矩阵不等式(LMIs)给出,并保证状态误差是输入状态稳定的.数值仿真算例验证了所提方法的有效性和优越性.
针对现实应用场景中短时语音和混叠有噪声情况下声纹识别准确性低的问题,本文设计了一种改进的基于深度学习的声纹识别算法,提高了声纹识别模型在短时语音和带噪环境下的鲁棒性,并将该模型部署到了嵌入式设备中.本文主要对声纹识别算法的编码层和损失函数进行改进.对于编码层,本文使用了基于差分编码的NeXtVLAD技术,同时对帧级特征中的静态声纹特征和动态声纹特征进行建模.对于损失函数,本文将基于小样本学习框架的余弦-原型损失函数cosine-Prototypical与附加间隔分类损失函数AM-Softmax进行融合来训
本文研究了 一类随机分布参数切换系统的输入输出有限时间稳定问题.首先,给出了系统在均方意义下输入输出有限时间稳定的概念.其次,通过利用分片Lyapunov-Krasovskii函数、平均驻留时间及线性矩阵不等式等工具,建立了随机分布参数切换系统输入输出有限时间稳定的充分条件;设计一个状态反馈控制器确保相应的闭环系统输入输出有限时间稳定,并以严格的数学推导加以证明.最后,通过两个仿真例子验证了所得结果的有效性.
本文研究了在静态事件触发条件下的时变时滞随机广义Markov跳变系统的镇定性问题.通过构造Lyapunov-Kra-sovskii泛函,利用Jensen不等式以及自由权矩阵技术,提出了系统在静态事件触发条件下的随机容许性条件;在此基础上,设计状态反馈控制器使得相应的闭环系统满足正则、无脉冲且均方意义下随机容许.最后,通过数值算例验证了本文所提方法的正确性和有效性.
针对随机线性离散时间系统,利用Q学习算法求解无限时域的随机线性二次最优追踪控制(SLQT)问题.首先,假设通过命令生成器生成追踪所需的参考信号,并建立一个由原随机系统和参考轨迹系统组成的增广系统,把最优追踪问题转化为最优调节问题的形式.其次,为了在线求解随机系统的最优追踪问题,将随机系统转为确定性系统,并根据增广系统定义随机线性二次最优追踪控制的Q函数,在无需知道系统模型参数的情况下在线求解增广随机代数方程(GSAE).再次,证明了 Q学习算法和增广随机代数方程的等价性,给出了 Q学习算法实现步骤.最后,
时间序列流量的预测问题是近年来机器学习的一个热点问题,通过改变长短期记忆网络(LSTM)层数、网络层神经元的个数、网络层之间的连接方式,特殊网络层的应用等网络结构以及优化器和损失函数的选择可以极大地提高预测的精度.本文提出多层LSTM算法,该算法是在传统LSTM算法上进行改进的单一模型,模型设计的复杂度低,可以提高机器学习的效率.模型采用一个输入层、5个隐藏层、1个输出层,同时包含1个全连接层和1个Dropout层,Dropout层的作用是防止机器学习过拟合.选择adam为模型优化器、mlse为模型损失函
在深度强化学习中,深度Q网络算法存在严重高估动作值问题,使得智能体的表现不尽人意.尽管深度双Q网络和竞争网络结构可以部分缓解高估带来的影响,但引入双Q网络的同时,有时也会低估动作值.本文提出了一种基于权重值的竞争深度双Q网络算法(Weighted Dueling Double Deep Q-Net-work,WD3QN),把改进的双估计器及竞争网络结构结合至深度Q网络中,将学习到的可能动作值进行加权产生最终动作值,有效减少估计误差.最后,将算法应用于Open AI Gym平台上的CartPole经典控制问