共被期刊论文引用了3次
您的检索式：您选中1篇文献正在查看引证文献汇总
|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | 粒子群优化的支持向量回归机计算配电网理论线损方法显示文摘针对配电网理论线损精确计算,提出一种基于粒子群优化算法的支持向量回归机(SVR-PSO)的理论线损计算方法。SVR-PSO方法将理论线损计算抽象成多元回归分析,理论线损的若干影响因素作为自变量,理论线损值作为因变量,SVR-PSO通过对已知理论线损线路的数据样本训练学习生成配电网理论线损计算模型,进而利用该模型完成未知线路的理论线损计算。在SVR-PSO训练过程中,利用粒子群算法动态地搜索支持向量回归机的最优训练参数,提高了SVR-PSO的计算精度。最后横向对比实验证实了基于SVR-PSO的配电网理论线损计算方法的有效性,与传统方法相比,SVR-PSO方法在计算精度和运算耗时方面拥有更好的性能。 | 徐茹枝 王宇飞 | 2012 | 电力自动化设备2012，32，5： | 32 |
| 2 | 基于导轨多激励关联的轿厢水平振动预测方法显示文摘高速电梯存在导轨多源激励关联性和多源激励耦合作用引起轿厢水平振动的问题,针对这一问题,提出了基于导轨多激励关联的轿厢水平振动预测方法。首先,建立了轿厢的水平振动模型,分析了导轨多源激励因素,借助Dematel方法获得了导轨多源激励关联重要度;然后,以导靴等效刚度、导靴等效阻尼、上方导靴到轿厢质心的垂直距离、下方导靴到轿厢质心的垂直距离作为输入,将水平振动加速度峰值和水平振动角加速度峰值作为输出,建立了轿厢水平振动支持向量机预测模型,并利用布谷鸟算法对支持向量机惩罚因子和RBF核参数进行了寻优搜索;最后,利用拉丁超立方抽样方法得出了一系列方案,通过Simulink仿真得出了各方案的水平振动加速度峰值和角加速度峰值,并将其作为预测模型的样本数据,分别建立了CS-SVR、SVR、RBF、BP、GA-BP预测模型,进行了对比实验;采用决定系数、均方误差、平均相对误差和最大相对误差对该预测模型进行了评价。研究结果表明:与KLK2样机实验相比,CS-SVR预测结果误差约为5.43%,预测效果最优;该结果验证了所提方法的有效性。 | 武仪 萨日娜 裘乐淼 张利春 张静 | 2021 | 机电工程2021，38，12： | 3 |
| 3 | FS-LSTM:sales forecasting in e-commerce on feature selection显示文摘There are many studies on sales forecasting in e-commerce,most of which focus on how to forecast sales volume with related e-commerce operation data.In this paper,a deep learning method named FS-LSTM was proposed,which combines long short-term memory(LSTM)and feature selection mechanism to forecast the sales volume.The indicators with most contributions by the extreme gradient boosting(XGBoost)model are selected as the input features of LSTM model.FS-LSTM method can get less mean average error(MAE)and mean squared error(MSE)in the forecasting of e-commerce sales volume,comparing with the LSTM model without feature selection.The results show that the FS-LSTM can improve the performance of original LSTM for forecasting the sales volume. | Zhang Han Jing Yinji Zhao Yongli | 2022 | The Journal of China Universities of Posts and Telecommunications2022，29，5： | 0 |
您所在的机构暂未开通此部分的功能，请联系管理员