期刊导航
期刊开放获取
cqvip
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
电动出租车日充电负荷估算方法
被引量：
28
1
作者
李亚芬
黄梅
张维戈
《电力系统自动化》
EI
CSCD
北大核心
2014年第10期55-60,共6页
相较于传统燃油出租车,电动出租车具有无尾气排放、无噪音污染、运行成本低等优点,已在多个城市试点使用。电动出租车规模化发展后,其充电功率需求将相应提高并对电网产生一定影响。文中从出租车的运行模式和行驶特性出发,考虑换班制、...
相较于传统燃油出租车,电动出租车具有无尾气排放、无噪音污染、运行成本低等优点,已在多个城市试点使用。电动出租车规模化发展后,其充电功率需求将相应提高并对电网产生一定影响。文中从出租车的运行模式和行驶特性出发,考虑换班制、用餐、夜间运行等对出租车充电开始时刻和日行驶里程的影响,分析对比了出租车与私家车的充电行为,并由此建立了出租车日充电负荷的分段概率估算模型,采用蒙特卡洛仿真方法求得电动出租车的日充电负荷。根据深圳市出租车的充电运营数据,采用充电负荷的分段概率估算模型估算出租车充电负荷并与实际负荷对比,结果表明该建模方法具有可信性。
展开更多
关键词
电动出租车
充电负荷
建模
蒙特卡洛方法
分段
概率模型
下载PDF
职称材料
基于状态驻留时间的汉语语音分段概率模型
被引量：
4
2
作者
贾宾
朱小燕
+1 位作者
罗予频
胡东成
《清华大学学报（自然科学版）》
EI
CAS
CSCD
北大核心
2000年第1期87-90,共4页
为了解决分段概率模型 (SPM)因缺少对时间信息描述而带来的建模精度低的问题 ,提出了状态驻留分段概率模型 (SDSPM)。SDSPM中包含了用伽玛分布表示的状态驻留概率 ,以刻划语音的时间特征。此驻留概率相当于隐马尔可夫模型 (HMM)中的状...
为了解决分段概率模型 (SPM)因缺少对时间信息描述而带来的建模精度低的问题 ,提出了状态驻留分段概率模型 (SDSPM)。SDSPM中包含了用伽玛分布表示的状态驻留概率 ,以刻划语音的时间特征。此驻留概率相当于隐马尔可夫模型 (HMM)中的状态转移概率 ,但使 SDSPM描述语音时间特征的能力强于 HMM。SDSPM既改善了 SPM的模型性能 ,同时又避免了 HMM的计算复杂度问题。测试实验证明了 SDSPM模型在汉语语音识别中的有效性。
展开更多
关键词
汉语语音识别
分段
概率模型
HMM
状态驻留时间
原文传递
题名
电动出租车日充电负荷估算方法
被引量：
28
1
作者
李亚芬
黄梅
张维戈
机构
北京交通大学电气工程学院
出处
《电力系统自动化》
EI
CSCD
北大核心
2014年第10期55-60,共6页
基金
北京市科技计划资助项目(Z121100006612002)~~
文摘
相较于传统燃油出租车,电动出租车具有无尾气排放、无噪音污染、运行成本低等优点,已在多个城市试点使用。电动出租车规模化发展后,其充电功率需求将相应提高并对电网产生一定影响。文中从出租车的运行模式和行驶特性出发,考虑换班制、用餐、夜间运行等对出租车充电开始时刻和日行驶里程的影响,分析对比了出租车与私家车的充电行为,并由此建立了出租车日充电负荷的分段概率估算模型,采用蒙特卡洛仿真方法求得电动出租车的日充电负荷。根据深圳市出租车的充电运营数据,采用充电负荷的分段概率估算模型估算出租车充电负荷并与实际负荷对比,结果表明该建模方法具有可信性。
关键词
电动出租车
充电负荷
建模
蒙特卡洛方法
分段
概率模型
Keywords
electric taxis
charging load
modeling
Monte Carlo method
segmental probability model
分类号
U469.72 [机械工程—车辆工程]
下载PDF
职称材料
题名
基于状态驻留时间的汉语语音分段概率模型
被引量：
4
2
作者
贾宾
朱小燕
罗予频
胡东成
机构
清华大学自动化系
计算机科学与技术系
出处
《清华大学学报（自然科学版）》
EI
CAS
CSCD
北大核心
2000年第1期87-90,共4页
基金
国家自然科学基金资助项目! (6 982 30 0 1 )
文摘
为了解决分段概率模型 (SPM)因缺少对时间信息描述而带来的建模精度低的问题 ,提出了状态驻留分段概率模型 (SDSPM)。SDSPM中包含了用伽玛分布表示的状态驻留概率 ,以刻划语音的时间特征。此驻留概率相当于隐马尔可夫模型 (HMM)中的状态转移概率 ,但使 SDSPM描述语音时间特征的能力强于 HMM。SDSPM既改善了 SPM的模型性能 ,同时又避免了 HMM的计算复杂度问题。测试实验证明了 SDSPM模型在汉语语音识别中的有效性。
关键词
汉语语音识别
分段
概率模型
HMM
状态驻留时间
Keywords
Chinese speech recognition
segmental probability model (SPM)
hidden Markov model (HMM)
state duration
分类号
TN912.34 [电子电信—通信与信息系统]
TP391.42 [电子电信—信息与通信工程]
原文传递
题名
作者
出处
发文年
被引量
操作
1
电动出租车日充电负荷估算方法
李亚芬
黄梅
张维戈
《电力系统自动化》
EI
CSCD
北大核心
2014
28
下载PDF
职称材料
2
基于状态驻留时间的汉语语音分段概率模型
贾宾
朱小燕
罗予频
胡东成
《清华大学学报（自然科学版）》
EI
CAS
CSCD
北大核心
2000
4
原文传递
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
