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
用于风电功率预测的RPCL优化神经网络模型
被引量：
5
1
作者
苏义鑫
夏慧雯
《北京工业大学学报》
CAS
CSCD
北大核心
2016年第5期674-678,共5页
为了提高风电功率预测的准确度,提出了一种基于对手竞争惩罚学习算法(rival penalized competitive learning,RPCL)优化径向基函数(radial basis function,RBF)神经网络的风电功率预测模型.首先通过RPCL确定网络隐含层神经元数目以及中...
为了提高风电功率预测的准确度,提出了一种基于对手竞争惩罚学习算法(rival penalized competitive learning,RPCL)优化径向基函数(radial basis function,RBF)神经网络的风电功率预测模型.首先通过RPCL确定网络隐含层神经元数目以及中心点初始值,然后由K均值聚类法确定隐含层神经元的中心点和宽度,最后通过最小均值算法确定隐含层神经元与输出层神经元之间的权值.仿真结果表明:此优化模型相较于传统RBF网络具有更高的准确性.
展开更多
关键词
风电功率预测
对手
竞争
惩罚
学习
算法
RBF神经网络
K均值聚类
下载PDF
职称材料
基于聚类分析和集成改进支持向量机的序列目标分类算法
被引量：
4
2
作者
周涛
张艳宁
+2 位作者
袁和金
陆惠玲
李秀秀
《计算机科学》
CSCD
北大核心
2009年第1期148-152,共5页
针对现有集成支持向量机存在的训练子集随机性强、规模大、算法时空复杂度高等问题,提出了基于聚类分析的集成改进支持向量机算法。该方法首先采用基于对手惩罚策略的竞争学习算法(RPCL)对训练样本进行聚类分析,然后根据其聚类分布选择...
针对现有集成支持向量机存在的训练子集随机性强、规模大、算法时空复杂度高等问题,提出了基于聚类分析的集成改进支持向量机算法。该方法首先采用基于对手惩罚策略的竞争学习算法(RPCL)对训练样本进行聚类分析,然后根据其聚类分布选择少量具有代表性的样本,并采用了基于种群收敛速度的自适应扰动的粒子群方法来训练单个支持向量机,最后通过相对多数投票方法得到集成支持向量机。实验表明相对于基于Bagging,Adaboost等方法而言,该方法在序列目标分类中对分类精度有较大提高,该方法构造的集成改进支持向量机具有较高的分类精度和较低的时、空复杂性。
展开更多
关键词
粒子群
算法
支持向量机
聚类分析
对手
竞争
惩罚
学习
算法
集成
下载PDF
职称材料
题名
用于风电功率预测的RPCL优化神经网络模型
被引量：
5
1
作者
苏义鑫
夏慧雯
机构
武汉理工大学自动化学院
出处
《北京工业大学学报》
CAS
CSCD
北大核心
2016年第5期674-678,共5页
基金
湖北省自然科学基金资助项目(2015CFB586)
文摘
为了提高风电功率预测的准确度,提出了一种基于对手竞争惩罚学习算法(rival penalized competitive learning,RPCL)优化径向基函数(radial basis function,RBF)神经网络的风电功率预测模型.首先通过RPCL确定网络隐含层神经元数目以及中心点初始值,然后由K均值聚类法确定隐含层神经元的中心点和宽度,最后通过最小均值算法确定隐含层神经元与输出层神经元之间的权值.仿真结果表明:此优化模型相较于传统RBF网络具有更高的准确性.
关键词
风电功率预测
对手
竞争
惩罚
学习
算法
RBF神经网络
K均值聚类
Keywords
wind power forecasting
rival penalized competitive learning algorithm
radial basis functionneural network
Kmeans clustering
分类号
TM614 [电气工程—电力系统及自动化]
下载PDF
职称材料
题名
基于聚类分析和集成改进支持向量机的序列目标分类算法
被引量：
4
2
作者
周涛
张艳宁
袁和金
陆惠玲
李秀秀
机构
西北工业大学计算机学院
陕西理工学院数学系
华北电力大学计算机学院
陕西理工学院计算机系
出处
《计算机科学》
CSCD
北大核心
2009年第1期148-152,共5页
基金
国家自然科学基金(No:60472072)
航天科技创新基金(No:06CASC0404)
陕西省教育厅科研项目(No:08JK241)资助
文摘
针对现有集成支持向量机存在的训练子集随机性强、规模大、算法时空复杂度高等问题,提出了基于聚类分析的集成改进支持向量机算法。该方法首先采用基于对手惩罚策略的竞争学习算法(RPCL)对训练样本进行聚类分析,然后根据其聚类分布选择少量具有代表性的样本,并采用了基于种群收敛速度的自适应扰动的粒子群方法来训练单个支持向量机,最后通过相对多数投票方法得到集成支持向量机。实验表明相对于基于Bagging,Adaboost等方法而言,该方法在序列目标分类中对分类精度有较大提高,该方法构造的集成改进支持向量机具有较高的分类精度和较低的时、空复杂性。
关键词
粒子群
算法
支持向量机
聚类分析
对手
竞争
惩罚
学习
算法
集成
Keywords
PSO,Support vector machine, Clustering analysis, RPCL, Ensemble
分类号
TP311.13 [自动化与计算机技术—计算机软件与理论]
O6-04 [自动化与计算机技术—计算机科学与技术]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
用于风电功率预测的RPCL优化神经网络模型
苏义鑫
夏慧雯
《北京工业大学学报》
CAS
CSCD
北大核心
2016
5
下载PDF
职称材料
2
基于聚类分析和集成改进支持向量机的序列目标分类算法
周涛
张艳宁
袁和金
陆惠玲
李秀秀
《计算机科学》
CSCD
北大核心
2009
4
下载PDF
职称材料
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
