摘要：[目的]为了减少化石能源消耗和改善环境污染问题,海上风力发电是解决问题的有效方式之一。然而,海上风电存在间歇性强、波动性大、双向调峰性等问题,研究其出力特性曲线对海上风电消纳具有重要意义。[方法]提出一种基于贝叶斯信息准则的高斯混合聚类模型,对海上风电原始出力曲线进行分类和特征曲线提取。[结果]得到能够反映不同海风区域特点的海上风力特性曲线,并应用于海上风电出力的电量平衡计算。[结论]最后,以沿海某省份海上风电15 GW装机规模下不同海风区域原始海上风电出力曲线为研究对象,验证所提方法的有效性。

摘要：为了减少由配电网设备问题所造成的人力物力浪费,且在有限的品控投入下提高效率,设计了一种基于贝叶斯网络与高斯混合聚类算法的配网设备数据分析模型。该模型筛选出配电网设备中频繁出现的问题及影响较大的设备作为研究对象,并利用高斯混合模型对相似设备进行聚类分析。同时采用深度贝叶斯概率网络算法建立与设备运维成本相关的概率模型,再进行数据挖掘和分析建模。以两个典型县级供电局的配电网设备数据信息为对象,验证了所提模型的有效性,进而实现了基于数据的设备品质分析及针对设备效用性能的价值评估。

摘要：目的针对生鲜商品配送过程中客户需求的变化,协调静态与动态客户需求之间的关系,合理规划路径,并降低物流总成本。方法首先考虑客户生鲜需求的多样化温控区间、随机订单请求时间及动态需求量等因素,构建物流总成本最小化的整数规划模型。然后,设计基于高斯混合聚类的改进蚁群算法求解该模型,并提出动态需求处理策略,用于路径的再优化。其次,通过与粒子群算法、遗传算法和鲸鱼优化算法进行对比分析,验证文中设计算法的有效性。最后,以重庆市某生鲜配送网络为例,对比分析优化前后的运营指标,并探讨生鲜商品价值损失水平与物流总成本之间的关系。结果经优化后,物流总成本下降了22.35%,其中惩罚成本、价值损失、配送成本和温控成本分别下降了39.84%、61.84%、29.80%、57.00%。结论文中所提的模型、算法和动态需求处理策略可以合理规划配送路径,有效降低了总成本,为考虑动态需求的生鲜配送网络优化提供了参考。

摘要：为揭示路网宏观基本图(MFD)对信号周期的敏感性,首先,提出一种基于GMM的宏观基本图建模方法,并在此基础上提出路网运行效率和稳定性的表征方法;其次,提出MFD对信号周期敏感性的仿真实验设计方法;再次,以环放路网为例,进行仿真实验,分析信号周期的变化对MFD的影响,进一步揭示信号周期对路网运行效率和稳定性的影响机理.结果表明,合理的信号周期对MFD和路网的效率及稳定性影响不大,但周期过大或过小则对MFD和路网的运行效率及稳定性造成较大影响.该结论可以为路网交通控制和优化提供依据.

摘要：海洋声学目标探测技术在海洋资源开发、海洋生物保护、区域海洋生态监测及军事领域等方面都具有无可替代的优势.然而,接收传感器常常会受到外界干扰声源的影响,从而导致定位性能下降.为解决这一问题,本文提出了一种基于优化随机森林的海基站水下声学定位模型来改善定位准确度.首先,对采集的原始信号进行数据预处理.对于信号无干扰采集数据,仅保留有效的样本,剔除包括缺失、异常、相同或相似的数据.对于信号干扰下采集数据,先对异常情况进行分类,然后去除存在干扰的基站数据.利用主成分分析对数据进行降维,并将综合特征作为高斯混合聚类的输入.为确定最优超参数,采用网格搜索和交叉验证的封装模块并设置混合系数,然后构建基于优化随机森林的水下声学定位模型,并将其与多点空间定位模型进行对比.实验结果表明,在信号无干扰和有干扰条件下,采用多点空间定位模型计算出目标三维定位误差RMSE分别为5.648 m、26.264 m,而采用本文模型预测的RMSE分别为0.232 m、4.354 m.所提出的方法显著提高了目标的定位精度,并具有较强的泛化能力.且在无干扰条件下,对于x、y及z方向的估计,所提出的方法的RMSE分别为0.122 m、0.099 m和0.171 m.而在有干扰条件下,对于x、y及z方向的估计,RMSE分别为1.715 m、1.691 m和3.627 m.特别是z方向的定位误差最大,与实际情况相吻合.以上数据结果验证了所提出方法的有效性,为水下运动目标高精度定位及定位导航系统的论证设计提供了新的思路.

摘要：目前网络入侵检测方法大多基于改进的机器学习算法,但是机器学习算法会出现过拟合情况,导致入侵检测准确率降低。为解决该问题,提出一种改进的随机森林分类器网络入侵检测方法,通过高斯混合模型聚类算法将数据分成不同的簇,为每一个簇训练不同的随机森林分类器,通过这些训练好的随机森林分类器进行网络入侵检测。训练和实验数据采用NSL-KDD网络入侵数据集,实施中首先根据属性比率数据特征提取方法进行数据处理,然后进行高斯混合聚类,最后使用随机森林分类器对聚类结果进行训练。实验结果表明,该方法相比其它机器学习算法具有更高的入侵检测准确率。

摘要：提出了基于深度学习的汽车梁类零件回弹预测方法。基于二维回弹理论,将三维梁类零件离散为若干截面,采用双平面投影法和图像二值化方法,将梁类零件的截面曲线转换为神经网络模型可识别的双通道图像数据。基于拉丁超立方采样法对影响梁结构零件的冲压工艺参数及板料材料参数变量进行采样,通过CAE回弹仿真得到后续深度学习网络的训练样本。为研究梁结构在不同几何截面、材料参数、工艺参数作用下的回弹问题,采用基于LeNet-5、AlexNet、NiN的卷积神经网络模型作为几何截面识别模型,同时使用全连接神经网络模型耦合材料参数和工艺参数的方法,得到该梁类零件回弹算法模型。以某汽车梁类结构零件作为研究对象,基于高斯混合聚类将回弹样本分为小回弹、中等回弹、大回弹三个类型。将各类回弹样本分别通过回弹算法模型进行验证,结果表明,基于AlexNet的模型准确度最高,同时算法鲁棒性相较于其他两种也更强,更适合梁类件的回弹预测。