大量电力电子设备的接入导致电力系统中背景谐波波动增大,进而影响谐波阻抗估计的准确性。针对这一问题,该文提出一种基于窗宽优化与数据筛选原理的系统谐波阻抗估计方法。首先,在相关系数数据中引入标准差的指标动态调整窗宽,得到满足...大量电力电子设备的接入导致电力系统中背景谐波波动增大,进而影响谐波阻抗估计的准确性。针对这一问题,该文提出一种基于窗宽优化与数据筛选原理的系统谐波阻抗估计方法。首先,在相关系数数据中引入标准差的指标动态调整窗宽,得到满足筛选样本数量的计算数据,然后利用PCC(point of common coupling)点处谐波电流与系统侧谐波电流呈弱相关的特性筛选出相应数据段,最后引入正则化项进行系统侧谐波阻抗的计算。通过仿真分析和数据计算,将所提出的方法与4种常用方法进行了比较,可以得出当背景谐波波动较大时,该方法可以减少系统谐波阻抗计算的误差,有较高的估计精度。展开更多
相对于传统生化测定方法,基于近红外光谱(Near infrared spectroscopy,NIRS)玉米籽粒蛋白质含量检测是一种快速、非破坏、且适用于多组分同时检测的新方法。但在建模过程中,由于奇异数据(异常值)的存在会影响近红外光谱模型的预测精度...相对于传统生化测定方法,基于近红外光谱(Near infrared spectroscopy,NIRS)玉米籽粒蛋白质含量检测是一种快速、非破坏、且适用于多组分同时检测的新方法。但在建模过程中,由于奇异数据(异常值)的存在会影响近红外光谱模型的预测精度和稳定性,我们采用奇异数据筛选法剔除了玉米籽粒近红外光谱中的奇异数据并建立了玉米籽粒蛋白质含量的偏最小二乘支持向量机(Least squares support vector machine,LS-SVM)模型。本文分别采用杠杆值法(Leverage)、半数重采样法(Resampling by Half-Mean,RHM)和蒙特卡洛采样法(Monte-Carlo Sampling,MCS)剔除了玉米籽粒蛋白质光谱数据中的奇异数据并对模型结果进行比较。在剔除奇异数据的基础上,采用偏最小二乘回归法(Partial least squares regression,PLSR)提取主成分,并基于小生境蚁群算法(Niche ant colony algorithm,NACA)优化偏最小二乘支持向量机(LS-SVM)模型参数(γ和σ2),建立基于LS-SVM的玉米籽粒蛋白质定量分析模型。结果表明,采用3种奇异数据筛选法剔除奇异数据后所建LS-SVM模型的预测结果都优于采用原光谱数据所建模型,相比较而言,蒙特卡洛采样法为基于近红外光谱检测玉米籽粒蛋白质的最佳奇异数据筛选法。展开更多
S-粗集(singular rough sets)是对Z.Pawlak粗集的改进,单向S-粗集对偶(dual of one direction sin-gular rough sets)是S-粗集的基本形式之一。利用单向S-粗集对偶,给出数据属性,数据筛选-过滤概念,数据筛选-过滤序定理,合成数据筛选-...S-粗集(singular rough sets)是对Z.Pawlak粗集的改进,单向S-粗集对偶(dual of one direction sin-gular rough sets)是S-粗集的基本形式之一。利用单向S-粗集对偶,给出数据属性,数据筛选-过滤概念,数据筛选-过滤序定理,合成数据筛选-过滤定理,及数据筛选-过滤准则。利用这些结果,给出应用。单向S-粗集对偶是动态数据筛选-过滤研究的一个新工具。展开更多
文摘大量电力电子设备的接入导致电力系统中背景谐波波动增大,进而影响谐波阻抗估计的准确性。针对这一问题,该文提出一种基于窗宽优化与数据筛选原理的系统谐波阻抗估计方法。首先,在相关系数数据中引入标准差的指标动态调整窗宽,得到满足筛选样本数量的计算数据,然后利用PCC(point of common coupling)点处谐波电流与系统侧谐波电流呈弱相关的特性筛选出相应数据段,最后引入正则化项进行系统侧谐波阻抗的计算。通过仿真分析和数据计算,将所提出的方法与4种常用方法进行了比较,可以得出当背景谐波波动较大时,该方法可以减少系统谐波阻抗计算的误差,有较高的估计精度。
基金国家高技术研究发展计划(863计划2013AA102403)+1 种基金华中农业大学博士启动基金(项目编号:2662014BQ038)Fundamental Research Funds for the Central Universities(2012ZYTS023)
文摘相对于传统生化测定方法,基于近红外光谱(Near infrared spectroscopy,NIRS)玉米籽粒蛋白质含量检测是一种快速、非破坏、且适用于多组分同时检测的新方法。但在建模过程中,由于奇异数据(异常值)的存在会影响近红外光谱模型的预测精度和稳定性,我们采用奇异数据筛选法剔除了玉米籽粒近红外光谱中的奇异数据并建立了玉米籽粒蛋白质含量的偏最小二乘支持向量机(Least squares support vector machine,LS-SVM)模型。本文分别采用杠杆值法(Leverage)、半数重采样法(Resampling by Half-Mean,RHM)和蒙特卡洛采样法(Monte-Carlo Sampling,MCS)剔除了玉米籽粒蛋白质光谱数据中的奇异数据并对模型结果进行比较。在剔除奇异数据的基础上,采用偏最小二乘回归法(Partial least squares regression,PLSR)提取主成分,并基于小生境蚁群算法(Niche ant colony algorithm,NACA)优化偏最小二乘支持向量机(LS-SVM)模型参数(γ和σ2),建立基于LS-SVM的玉米籽粒蛋白质定量分析模型。结果表明,采用3种奇异数据筛选法剔除奇异数据后所建LS-SVM模型的预测结果都优于采用原光谱数据所建模型,相比较而言,蒙特卡洛采样法为基于近红外光谱检测玉米籽粒蛋白质的最佳奇异数据筛选法。
文摘S-粗集(singular rough sets)是对Z.Pawlak粗集的改进,单向S-粗集对偶(dual of one direction sin-gular rough sets)是S-粗集的基本形式之一。利用单向S-粗集对偶,给出数据属性,数据筛选-过滤概念,数据筛选-过滤序定理,合成数据筛选-过滤定理,及数据筛选-过滤准则。利用这些结果,给出应用。单向S-粗集对偶是动态数据筛选-过滤研究的一个新工具。
