基于粒子群优化算法改进的神经网络模型用于数据预测方法

    公开(公告)号:CN104361393B

    公开(公告)日:2018-02-27

    申请号:CN201410451866.4

    申请日:2014-09-06

    IPC分类号: G06N3/02

    摘要: 本发明涉及计算机应用工程技术领域,是一种基于粒子群优化算法改进的神经网络模型用于数据预测方法,按照下述步骤进行:步骤1:数据样本的表示;步骤2:数据的预处理;步骤3:RBF神经网络参数初始化;步骤4:利用二元粒子群优化算法确定隐含层神经元的数目和隐含层径向基核函数的中心;步骤5:初始化局部粒子群优化算法的各个参数。本发明所述的基于粒子群优化算法改进的神经网络模型用于数据预测方法能够易于确定RBF神经网络模型隐含层神经元的数目,从而改善了RBF神经网络性能,提高了数据预测的精确度,同时,本发明中的基于粒子群优化算法改进的神经网络模型具有模型复杂度低,鲁棒性强,可扩展性好的特点。

    一种基于因子-主属性模型的中长期电力负荷预测方法

    公开(公告)号:CN104200283A

    公开(公告)日:2014-12-10

    申请号:CN201410428808.X

    申请日:2014-08-27

    IPC分类号: G06Q10/04 G06Q50/06

    摘要: 本发明公开了一种基于因子-主属性模型的中长期电力负荷预测方法,所述方法包括:步骤1:建立(n-1)个影响因子指标X1-Xn-1和1个预测对象Xn的原始矩阵,采用Z标准化,对影响因子指标数据X1-Xn-1和Xn进行预处理,将指标数据无量纲化,得到指标矩阵Aoxn;步骤2:根据因子分析方法,确定选择的公因子,并计算相应的因子得分,建立因子预测模型步骤3:根据主属性算法,筛选得到主属性m1,…,mr,主属性模型为其中v是特征向量;步骤4:根据公式建立因子-主属性的中长期电力负荷预测模型,计算得到归一化后的预测变量值,经过Z标准化公式变换,重新计算得到相应的原变量实际值。

    基于粒子群优化算法改进的神经网络模型用于数据预测方法

    公开(公告)号:CN104361393A

    公开(公告)日:2015-02-18

    申请号:CN201410451866.4

    申请日:2014-09-06

    IPC分类号: G06N3/02

    摘要: 本发明涉及计算机应用工程技术领域,是一种基于粒子群优化算法改进的神经网络模型用于数据预测方法,按照下述步骤进行:步骤1:数据样本的表示;步骤2:数据的预处理;步骤3:RBF神经网络参数初始化;步骤4:利用二元粒子群优化算法确定隐含层神经元的数目和隐含层径向基核函数的中心;步骤5:初始化局部粒子群优化算法的各个参数。本发明所述的基于粒子群优化算法改进的神经网络模型用于数据预测方法能够易于确定RBF神经网络模型隐含层神经元的数目,从而改善了RBF神经网络性能,提高了数据预测的精确度,同时,本发明中的基于粒子群优化算法改进的神经网络模型具有模型复杂度低,鲁棒性强,可扩展性好的特点。

    一种基于因子‑主属性模型的中长期电力负荷预测方法

    公开(公告)号:CN104200283B

    公开(公告)日:2017-06-13

    申请号:CN201410428808.X

    申请日:2014-08-27

    IPC分类号: G06Q10/04 G06Q50/06

    摘要: 本发明公开了一种基于因子‑主属性模型的中长期电力负荷预测方法,所述方法包括:步骤1:建立(n‑1)个影响因子指标X1‑Xn‑1和1个预测对象Xn的原始矩阵,采用Z标准化,对影响因子指标数据X1‑Xn‑1和Xn进行预处理,将指标数据无量纲化,得到指标矩阵Aon;步骤2:根据因子分析方法,确定选择的公因子,并计算相应的因子得分,建立因子预测模型;步骤3:根据主属性算法,筛选得到主属性m1,…,mr,主属性模型为其中v是特征向量;步骤4:根据公式建立因子‑主属性的中长期电力负荷预测模型,计算得到归一化后的预测变量值,经过Z标准化公式变换,重新计算得到相应的原变量实际值。

    履带式机器人的轨迹跟踪方法

    公开(公告)号:CN104635734A

    公开(公告)日:2015-05-20

    申请号:CN201410751475.4

    申请日:2014-12-09

    IPC分类号: G05D1/02

    摘要: 本发明涉及机器人智能控制方法技术领域,是一种履带式机器人的轨迹跟踪方法,按照以下步骤进行:建立履带式机器人的初始运动学方程;设定切换函数,计算出基于常规趋近律的控制函数;使用基于切换函数的指数增益替换常量增益,计算出基于指数趋近律的滑模控制律;对每一组输入数据和每一组输出数据使用基于指数趋近律的滑模控制律,建立履带式机器人的初始控制函数矩阵;调整履带式机器人的方向为沿运动轨迹的切线方向;使用基于指数趋近律的滑模控制律,计算出履带式机器人的控制函数矩阵。本发明能根据路径规划,实现对机器人轨迹的智能控制,减少驾驶员的操作难度,提高履带式机器人在复杂地形的越野能力。

    基于概率的传感器网络划分方法

    公开(公告)号:CN103441886A

    公开(公告)日:2013-12-11

    申请号:CN201310415671.X

    申请日:2013-09-12

    IPC分类号: H04L12/24 H04L12/46

    摘要: 本发明公开了计算机网络决策支持技术领域中的一种基于概率的传感器网络划分方法。包括根据传感器节点的属性值构建传感器节点有向图;计算传感器节点有向图中任意两个传感器节点之间的最短距离,得到最短距离矩阵;迭代计算任意两个传感器节点之间的转移概率并生成转移概率矩阵、每个传感器节点的状态概率并生成初始状态概率向量;当转移概率矩阵是稳定的转移概率矩阵且状态概率向量是稳态的状态概率向量时,对稳态的状态概率向量中的各个分量按照由大到小的顺序排列,选择前s个分量对应的传感器节点作为核心传感器节点;利用核心传感器节点将传感器网络划分为s个区域。使用本发明划分的网络可以更加准确、客观地反映传感器节点之间的关系。

    基于概率的传感器网络划分方法

    公开(公告)号:CN103441886B

    公开(公告)日:2016-04-20

    申请号:CN201310415671.X

    申请日:2013-09-12

    IPC分类号: H04L12/24 H04L12/46

    摘要: 本发明公开了计算机网络决策支持技术领域中的一种基于概率的传感器网络划分方法。包括根据传感器节点的属性值构建传感器节点有向图;计算传感器节点有向图中任意两个传感器节点之间的最短距离,得到最短距离矩阵;迭代计算任意两个传感器节点之间的转移概率并生成转移概率矩阵、每个传感器节点的状态概率并生成初始状态概率向量;当转移概率矩阵是稳定的转移概率矩阵且状态概率向量是稳态的状态概率向量时,对稳态的状态概率向量中的各个分量按照由大到小的顺序排列,选择前s个分量对应的传感器节点作为核心传感器节点;利用核心传感器节点将传感器网络划分为s个区域。使用本发明划分的网络可以更加准确、客观地反映传感器节点之间的关系。