排序方式: 共有54条查询结果,搜索用时 109 毫秒
51.
52.
针对多元电力负荷数据时间序列非平稳性、时序相关性和非线性等特性,为掌握电力负荷的变化规律和发展趋势,实现对电力负荷的科学管理,将工业多元负荷有功功率作为原始数据,提出MVMD-CapSA-DBN负荷分类模型.首先,利用改进停止准则的变分模态分解(Variational Mode Decomposition, VMD)将数据分解,得到较为平稳的多个数据分量;之后,提取各分量能量值作为特征;最后,将0~1标准化的数据作为特征向量,输入经卷尾猴搜索算法(Capuchin Search Algorithm, CapSA)优化参数后的深度置信网络(Deep Belief Nets, DBN)信号分类.实验证明,可实现对工业多元负荷数据的有效分类,整体准确率在88.89%左右,部分负荷分类准确率可达100%. 相似文献
53.
煤和矸石的精准辨识是煤矸分选和煤炭清洁高效利用的重要前提,针对传统方法存在效率低、需加装辐射
隔离以及受环境干扰等诸多不足,提出了基于多光谱图像特性和光谱特性来识别煤和矸石,构建黏菌优化极限学
习机(Slime Mold Algorithm Extreme Learning Machine,SMA-ELM)的分类模型。 搭建多光谱数据采集系统完成煤与
矸石的光谱图像采集,通过 LBP 对光谱图像进行特征提取并使用 PCA 主成分分析对提取后的特征向量降维,输入
SMA-ELM 分类模型、蚁狮优化极限学习机(Antlion Algorithm Optimized Extreme Learning Machine,ALO-ELM)分类
模型、鲸鱼优化极限学习机(Whale Algorithm Optimized Extreme Learning Machine,WOA-ELM)分类模型进行对比,
重点研究不同波长响应下煤和矸石的辨识精度来筛选最佳波长,通过多评价指标对优化后的最优波段进行比较。
实验结果表明, SMA -ELM 分类效果最佳,第 6 波段为最优波段, SMA - ELM 在该波段的平均识别准确率为
95. 08%,煤和矸石的识别 F1-Score 分别为 96. 47%和 92. 68%,用时 10. 6 s。 所提出的方法可以实现煤和矸石的精
准识别,这对煤和矸石的智能分选具有重要的研究意义。 相似文献
54.
针对传统计算机在复杂图像信息分析以及后期处理不达预期的问题,提出了利用改进原始的萤火虫算法 (FA)在不完全 Beta 函数上动态寻优调整灰度曲线的光电图像增强新策略。 新策略主要从算法角度出发改进传统 FA 算法,针对原有的吸引度容易造成局部最优等问题引入新吸引度公式、针对算法陷入局部震荡添加自扰动和克 服陷入局部最优的迭代检测环节,改进完成的新算法(Firefly Algorithm Growth,FAG)结合非完全 Beta 函数动态寻 找最优值下的图像灰度曲线。 将改进的 FAG 与 FA 新老算法在四种常见基准函数上进行对比实验测试他们的性 能,结果显示改良 FAG 算法在性能上更优;在改良 FAG 结合非完全 Beta 与 FA 结合非完全 Beta 增强同一图像的 实验中加入直方图算法增强图像作为对照组,综合结果显示改进后的新策略更胜一筹。 综合结果显示群智能算法 在结合图像处理手段来达到图像增强的目的上具有很好的应用价值,新策略在低对比度条件下的光电图像实现了 有效的增强。 相似文献