简介:针对短期家庭电力数据随机性强,数据维度低等问题,提出了一种基于长短期记忆循环神经网络(LSTM)的单变量短期家庭电力需求预测模型.实验表明,该模型能够准确反映以小时为单位的家庭电力需求趋势,且在不同家庭上的泛化性能优于传统的循环神经网络(RNN)和门控循环网络(GRU).
简介:短期光伏发电功率预测对维护电网安全稳定和协调资源利用具有重要意义,针对现有的神经网络法、小波分析法等单一预测模型预测精度提升有限的问题,引入集成学习的思想和方法,提出一种基于Stacking算法改进支持向量机(SVM)的短期光伏发电预测方法.该方法先使用多个不同的初级SVM对预测样本进行一次预测得到多个预测输出;然后对训练集进行聚类,使用与预测样本同类别的训练样本训练次级SVM;最后使用次级SVM对多个预测输出进行结合得到最终预测结果.经光伏发电系统的实际运行数据实验,结果表明本文提出的方法相较于单一预测模型精度有了明显提升.
简介:基于傅里叶变换中红外光谱技术(FTIR),结合改进型偏最小二乘回归法(MPLS),建立豆奶中的快速预测方法。结果表明选取有效波段,不使用散射校正,使用导数和平滑校正光谱基线漂移后定标效果最好,各指标的预测值与实测值相关性良好,脂肪(Fat)、蛋白质(Protein)、蔗糖(Sucrose)和总糖(TotalSugar)预测标准偏差(SEP)分别为0.061、0.039、0.039、0.047;预测相关系数(RSQ)分别为:0.98、0.99、0.99、0.99。该方法可应用于豆奶中脂肪(Fat)、蛋白(Protein)、蔗糖(Sucrose)和总糖(TotalSugar)含量的快速分析检测。
简介:针对固体结构内部温度测量的工程需求,比较了目前工业中应用较多的热电偶测温法、光纤光栅测温法、中子共振谱法和超声测温技术,发现超声测温技术具有非接触式测量、测温范围广、响应速度快等特点而更适用于固体结构内部温度的测量.调研了超声测温技术的发展历史与国内外现状,重点对超声温度场重建方法进行了介绍与分析,发现现有的重建方法主要是针对一维温度场的而且都存在参数获取困难的局限性,导致重建方法的适用性较差并且重建精度较低.综述了超声测温技术在火灾损伤、医疗卫生、核力发电、冶炼制造等领域中的应用,讨论了超声测温技术在测温机理、声时测量算法和时间测量分辨率等方面存在的技术问题,总结了超声测温技术在今后发展中的重点研究方向并提出了展望.
简介:设计了基于人工表面等离子体激元(spoofsurfaceplasmonpolaritions,spoofSPPs)的电容耦合带通滤波器.该滤波器由刻蚀有菱形孔的金属结构单元以一定的间距周期性的排列在传输方向上构成耦合结构,同时设计一种特殊的过渡结构用来有效地匹配人工表面等离子体激元波导能量传输.从色散关系可以看出菱形孔结构支持人工表面等离子体激元模式.仿真结果表明,该滤波器3dB带宽为11.6GHz到18.3GHz.该滤波器结构紧凑、简单、易集成,能在将来发展的微波等离子体集成电路与系统中扮演重要的角色.
简介:Inductivelycoupledplasmaatomicemissionspectroscopy(ICP-AES),pioneeredbyVAFasselandSGreenfieldwiththeinspirationfromReed,isoneofthemostexcitingdevelopmentsinanalyticalinstrumentationsince1960’s.Itcandetermineabout70elementsontheperiodictablewithbetterprecisionandequalorbettersensitivitythanthatobtainedwithflameatomicabsorptionspectrometry(FAAS).Inaddition,certain"difficult"elementsforFAAS,suchasAl,B,C,P,SandTi,etc.,canbeeasilydeterminedbyICP.TheICPisnotonlyaveryusefulexcitatiomsourceforAES,butalsoaveryusefulsourceforatomizationinatomicfluorescencespectrometry(AFS)andforionizationinatomicmassspectrometry(MS).Thislecturedeals
简介:近年来,目标显著性检测引起了众多学者的极大关注,并涌出了一些基于低秩矩阵恢复理论的检测方法.在这些方法中,人们一般使用核范数约束低秩部分.但是,由于秩函数是非凸且不连续的,由此导致核范数不能很好地逼近秩函数,使得检测效果往往不佳.为解决上述问题,现提出基于加权Schatten-p范数与低秩树结构的稀疏分解模型.一方面,利用加权Schatten-p范数对图像背景进行低秩约束.另一方面,采用具有树结构稀疏特性的l2,1范数和图像拉普拉斯正则化对显著性目标进行稀疏约束,以此提高显著性检测精准度.经过与4种已有的常用显著性检测方法在3个不同数据库中的实验结果对比,证实现提出的方法具有更好的检测性能.