特定场景非侵入式负荷识别及故障电弧检测技术研究
这是一篇关于非侵入式负荷识别,故障电弧检测,卡方拟合优度检验,事件检测,模糊C均值聚类,支持向量机的论文, 主要内容为近年来,安全用电与智慧用电在我国越来越受重视,非侵入式负荷识别与故障电弧检测技术研究得到了广泛关注。目前,非侵入式负荷识别技术研究大多集中于普通居民用户,很少关注特定场景负荷的特异性,导致特定场景的实际应用效果无法保证,针对此问题本文提出了一种基于特定场景的非侵入式负荷识别与故障电弧检测方法。不同于普通家庭场景的非侵入式负荷识别,宿舍、商场等特定场景由于管理需要,更具有指向性,实用价值和可行性更高。本文以高校宿舍特定场景为例进行研究,首先对宿舍常用用电负荷进行分类,根据该场景的用电规则进行负荷与特征分析,并提出四个新特征量应用于后续工作。针对因功率波动与负荷复杂运行状态导致的负荷投切误检问题,本文提出了一种基于功率波动与滑动窗卡方拟合优度检验负荷投切事件检测方法。利用实测数据与Plaid数据集数据模拟宿舍场景并进行了检测方法验证。与此同时,本文考虑到串联故障电弧具有隐蔽性和高危害性,提出一种基于无量纲特征指标的串联故障电弧检测方法,并设计了故障电弧实验平台,用于采集实际电弧数据与方法验证。离线数据与硬件实时电弧检测准确率达98.0%和95.0%。另一方面,在负荷识别环节按负荷功率大小采用Fisher线性判断进行特征重要性分析并建立特征库。同时利用非监督模糊C均值聚类和监督支持向量机两种算法进行基于宿舍场景的负荷识别验证,验证结果表明两种方法对单负荷与多负荷的识别准确率达到91.0%和89.0%以上,因此本文提出的方法在宿舍场景的负荷识别及故障电弧检测中具有良好的应用价值。
高考志愿个性化推荐相关算法研究及系统设计
这是一篇关于高考志愿推荐,指数平滑预测,个性化推荐,模糊C均值聚类,微信小程序的论文, 主要内容为高考志愿填报是高考中的一个重要的环节,但是由于院校专业信息较多且存在一定的波动,考生和家长们很难掌握报考所需的大量信息,导致考生盲目报考热门院校专业和他人包办的现象非常普遍,使得考生兴趣与专业不符,造成厌学情绪严重、退学和学业不达标现象激增。针对这些现象,本文对高考志愿推荐相关算法进行研究并基于微信小程序平台设计和开发了具有个性化推荐功能的高考志愿推荐系统,为考生和家长提供信息与技术支持。主要研究内容如下:(1)针对高考分数受影响因素多且数据量有限导致预测误差较大的问题,提出基于遗传算法(Genetic Algorithm,GA)的二次指数平滑预测算法进行分数预测。首先对比和分析了几种不同的分数预测方法,选用指数平滑预测方法对位次进行预测,由于平滑系数的选取对预测结果影响较大,因此利用GA对平滑因子的选取进行优化。分别与灰色预测算法和二次指数平滑预测算法进行对比,结果表明本文提出的算法绝对误差小于其他两种算法,但是由于高考分数存在不确定因素影响,部分院校预测结果与实际存在较大误差,为了提高系统的鲁棒性,对概率模型进行了改进,充分利用了往年的录取信息,减小对预测结果的依赖性。(2)针对高考志愿推荐系统个性化推荐能力不足的问题,提出了一种基于用户行为特征的混合推荐算法。针对用户评分获取难且存在主观性的问题,对用户行为进行挖掘作为用户的评分。由于院校数据众多,造成评分矩阵维数高的问题,采用评分集合来替代传统的评分矩阵并对杰卡德相似系数进行改进作为相似度计算公式。针对基于用户的协同过滤推荐算法和基于内容的推荐算法各自存在的优缺点,采用并行的方式进行混合,利用阿里天池数据集对算法进行验证,结果证明了算法的有效性,表明了用集合表示兴趣和对杰卡德相似系数的改进具有合理性。最后将算法应用到志愿推荐系统,为分数相同兴趣不同的用户推荐适合个人兴趣的院校专业,提高了志愿推荐的准确性。(3)针对用户多元化的需求无法满足的问题,提出了基于网格聚类算法(Clustering In QUEst,CLIQUE)的自适应模糊聚类算法。采用聚类算法对院校专业数据进行聚类,根据用户对不同指标的侧重来计算不同类的优先级进行推荐。针对模糊C均值聚类算法(Fuzzy C-means Algorithm,FCM)不能自动识别聚类数目且初始点选取敏感容易陷入局部最优的问题,利用CLIQUE算法对聚类数目和初值进行获取。利用测试数据对算法进行验证,算法可以准确识别聚类的数目,提高了聚类的准确率,证明了算法的有效性。本文的算法计算的聚类中心相比于随机法确定的聚类中心需要更少的迭代次数,提高了算法的计算效率。(4)针对目前大多数的推荐平台无法满足用户填报志愿的及时性和便捷性,开发了基于微信小程序的高考志愿推荐系统。对相关院校专业信息进行整理,设计数据库对数据进行存储。同时对考生和家长的需求进行分析,对系统的功能进行设计和开发,并且将推荐算法在推荐系统中进行实现。分别对于系统的功能和性能进行测试,并且成功将小程序上线并进行推广,约700人次用户使用,实践表明系统满足设计要求。
基于麻雀搜索优化模糊C均值聚类的推荐算法研究
这是一篇关于麻雀搜索算法,模糊C均值聚类,Slope One算法,协同过滤推荐的论文, 主要内容为随着网络和信息技术的快速发展,各种各样的信息呈量级剧增,过量的信息已经严重影响了用户对信息获取的准确度,聚类算法和推荐算法的出现就有效地缓解了这一问题。通过聚类分析将相关性高的信息聚集成类,再把有用的信息推荐给用户。模糊C均值聚类(Fuzzy C-Means Clustering,FCM)算法能够对现实中没有明确界限的数据集进行有效聚类,但它存在着对数据进行初始聚类时,无法确定聚类中心的问题。协同过滤推荐(Collaborative Filtering,CF)是目前最常用的推荐算法之一,但是随着用户数量和信息数量的大量增加,数据集的稀疏程度越来越高,且算法中还存在着数据可扩展性差和冷启动等问题。本文的主要工作有:针对麻雀搜索算法(sparrow search algorithm,SSA)存在对初始值敏感,在迭代后期种群缺乏多样性,以及难以跳出局部最优值等问题,采用Logistic混沌初始化麻雀种群位置,提升初始种群质量;并引入反向精英学习策略优化发现者位置更新方式,增强算法的全局开发能力;借助二次插值策略保证了种群多样性和种群抗停滞能力,提高局部搜索能力,避免算法过早收敛。针对模糊C均值算法对数据进行初始聚类时,无法合理确定聚类中心点的缺陷,设计了基于改进麻雀搜索优化的模糊C均值聚类算法(ISSA-FCM),采用麻雀搜索算法来确定FCM的初始聚类中心位置。该算法有效地缓解了由于初始聚类中心的位置过于集中而陷入局部极值的问题,实验结果表明,基于改进麻雀搜索的FCM算法的聚类效果得到了改善,聚类准确率得到了有效提高。针对协同过滤算法在对稀疏性高的数据集进行推荐时,推荐效果不佳的问题,提出一种基于聚类的协同过滤推荐算法(ISSAFCM-CF)。使用主成分分析法对项目属性进行降维处理,提取用户特征属性,构建用户兴趣偏好矩阵;利用Slope One算法填充评分矩阵中未打分的项目,在一定程度上能够解决数据集稀疏度高的问题;使用ISSA-FCM算法分别对用户和项目进行聚类,使用ISSAFCM-CF推荐算法完成项目推荐工作。在电影评分数据集Movielens上与其他相关的推荐算法进行实验对比,实验结果表明,ISSAFCM-CF推荐算法可以较为准确的预测出用户感兴趣的电影,使推荐系统为用户做出更加准确的电影推荐。
高考志愿个性化推荐相关算法研究及系统设计
这是一篇关于高考志愿推荐,指数平滑预测,个性化推荐,模糊C均值聚类,微信小程序的论文, 主要内容为高考志愿填报是高考中的一个重要的环节,但是由于院校专业信息较多且存在一定的波动,考生和家长们很难掌握报考所需的大量信息,导致考生盲目报考热门院校专业和他人包办的现象非常普遍,使得考生兴趣与专业不符,造成厌学情绪严重、退学和学业不达标现象激增。针对这些现象,本文对高考志愿推荐相关算法进行研究并基于微信小程序平台设计和开发了具有个性化推荐功能的高考志愿推荐系统,为考生和家长提供信息与技术支持。主要研究内容如下:(1)针对高考分数受影响因素多且数据量有限导致预测误差较大的问题,提出基于遗传算法(Genetic Algorithm,GA)的二次指数平滑预测算法进行分数预测。首先对比和分析了几种不同的分数预测方法,选用指数平滑预测方法对位次进行预测,由于平滑系数的选取对预测结果影响较大,因此利用GA对平滑因子的选取进行优化。分别与灰色预测算法和二次指数平滑预测算法进行对比,结果表明本文提出的算法绝对误差小于其他两种算法,但是由于高考分数存在不确定因素影响,部分院校预测结果与实际存在较大误差,为了提高系统的鲁棒性,对概率模型进行了改进,充分利用了往年的录取信息,减小对预测结果的依赖性。(2)针对高考志愿推荐系统个性化推荐能力不足的问题,提出了一种基于用户行为特征的混合推荐算法。针对用户评分获取难且存在主观性的问题,对用户行为进行挖掘作为用户的评分。由于院校数据众多,造成评分矩阵维数高的问题,采用评分集合来替代传统的评分矩阵并对杰卡德相似系数进行改进作为相似度计算公式。针对基于用户的协同过滤推荐算法和基于内容的推荐算法各自存在的优缺点,采用并行的方式进行混合,利用阿里天池数据集对算法进行验证,结果证明了算法的有效性,表明了用集合表示兴趣和对杰卡德相似系数的改进具有合理性。最后将算法应用到志愿推荐系统,为分数相同兴趣不同的用户推荐适合个人兴趣的院校专业,提高了志愿推荐的准确性。(3)针对用户多元化的需求无法满足的问题,提出了基于网格聚类算法(Clustering In QUEst,CLIQUE)的自适应模糊聚类算法。采用聚类算法对院校专业数据进行聚类,根据用户对不同指标的侧重来计算不同类的优先级进行推荐。针对模糊C均值聚类算法(Fuzzy C-means Algorithm,FCM)不能自动识别聚类数目且初始点选取敏感容易陷入局部最优的问题,利用CLIQUE算法对聚类数目和初值进行获取。利用测试数据对算法进行验证,算法可以准确识别聚类的数目,提高了聚类的准确率,证明了算法的有效性。本文的算法计算的聚类中心相比于随机法确定的聚类中心需要更少的迭代次数,提高了算法的计算效率。(4)针对目前大多数的推荐平台无法满足用户填报志愿的及时性和便捷性,开发了基于微信小程序的高考志愿推荐系统。对相关院校专业信息进行整理,设计数据库对数据进行存储。同时对考生和家长的需求进行分析,对系统的功能进行设计和开发,并且将推荐算法在推荐系统中进行实现。分别对于系统的功能和性能进行测试,并且成功将小程序上线并进行推广,约700人次用户使用,实践表明系统满足设计要求。
高考志愿个性化推荐相关算法研究及系统设计
这是一篇关于高考志愿推荐,指数平滑预测,个性化推荐,模糊C均值聚类,微信小程序的论文, 主要内容为高考志愿填报是高考中的一个重要的环节,但是由于院校专业信息较多且存在一定的波动,考生和家长们很难掌握报考所需的大量信息,导致考生盲目报考热门院校专业和他人包办的现象非常普遍,使得考生兴趣与专业不符,造成厌学情绪严重、退学和学业不达标现象激增。针对这些现象,本文对高考志愿推荐相关算法进行研究并基于微信小程序平台设计和开发了具有个性化推荐功能的高考志愿推荐系统,为考生和家长提供信息与技术支持。主要研究内容如下:(1)针对高考分数受影响因素多且数据量有限导致预测误差较大的问题,提出基于遗传算法(Genetic Algorithm,GA)的二次指数平滑预测算法进行分数预测。首先对比和分析了几种不同的分数预测方法,选用指数平滑预测方法对位次进行预测,由于平滑系数的选取对预测结果影响较大,因此利用GA对平滑因子的选取进行优化。分别与灰色预测算法和二次指数平滑预测算法进行对比,结果表明本文提出的算法绝对误差小于其他两种算法,但是由于高考分数存在不确定因素影响,部分院校预测结果与实际存在较大误差,为了提高系统的鲁棒性,对概率模型进行了改进,充分利用了往年的录取信息,减小对预测结果的依赖性。(2)针对高考志愿推荐系统个性化推荐能力不足的问题,提出了一种基于用户行为特征的混合推荐算法。针对用户评分获取难且存在主观性的问题,对用户行为进行挖掘作为用户的评分。由于院校数据众多,造成评分矩阵维数高的问题,采用评分集合来替代传统的评分矩阵并对杰卡德相似系数进行改进作为相似度计算公式。针对基于用户的协同过滤推荐算法和基于内容的推荐算法各自存在的优缺点,采用并行的方式进行混合,利用阿里天池数据集对算法进行验证,结果证明了算法的有效性,表明了用集合表示兴趣和对杰卡德相似系数的改进具有合理性。最后将算法应用到志愿推荐系统,为分数相同兴趣不同的用户推荐适合个人兴趣的院校专业,提高了志愿推荐的准确性。(3)针对用户多元化的需求无法满足的问题,提出了基于网格聚类算法(Clustering In QUEst,CLIQUE)的自适应模糊聚类算法。采用聚类算法对院校专业数据进行聚类,根据用户对不同指标的侧重来计算不同类的优先级进行推荐。针对模糊C均值聚类算法(Fuzzy C-means Algorithm,FCM)不能自动识别聚类数目且初始点选取敏感容易陷入局部最优的问题,利用CLIQUE算法对聚类数目和初值进行获取。利用测试数据对算法进行验证,算法可以准确识别聚类的数目,提高了聚类的准确率,证明了算法的有效性。本文的算法计算的聚类中心相比于随机法确定的聚类中心需要更少的迭代次数,提高了算法的计算效率。(4)针对目前大多数的推荐平台无法满足用户填报志愿的及时性和便捷性,开发了基于微信小程序的高考志愿推荐系统。对相关院校专业信息进行整理,设计数据库对数据进行存储。同时对考生和家长的需求进行分析,对系统的功能进行设计和开发,并且将推荐算法在推荐系统中进行实现。分别对于系统的功能和性能进行测试,并且成功将小程序上线并进行推广,约700人次用户使用,实践表明系统满足设计要求。
特定场景非侵入式负荷识别及故障电弧检测技术研究
这是一篇关于非侵入式负荷识别,故障电弧检测,卡方拟合优度检验,事件检测,模糊C均值聚类,支持向量机的论文, 主要内容为近年来,安全用电与智慧用电在我国越来越受重视,非侵入式负荷识别与故障电弧检测技术研究得到了广泛关注。目前,非侵入式负荷识别技术研究大多集中于普通居民用户,很少关注特定场景负荷的特异性,导致特定场景的实际应用效果无法保证,针对此问题本文提出了一种基于特定场景的非侵入式负荷识别与故障电弧检测方法。不同于普通家庭场景的非侵入式负荷识别,宿舍、商场等特定场景由于管理需要,更具有指向性,实用价值和可行性更高。本文以高校宿舍特定场景为例进行研究,首先对宿舍常用用电负荷进行分类,根据该场景的用电规则进行负荷与特征分析,并提出四个新特征量应用于后续工作。针对因功率波动与负荷复杂运行状态导致的负荷投切误检问题,本文提出了一种基于功率波动与滑动窗卡方拟合优度检验负荷投切事件检测方法。利用实测数据与Plaid数据集数据模拟宿舍场景并进行了检测方法验证。与此同时,本文考虑到串联故障电弧具有隐蔽性和高危害性,提出一种基于无量纲特征指标的串联故障电弧检测方法,并设计了故障电弧实验平台,用于采集实际电弧数据与方法验证。离线数据与硬件实时电弧检测准确率达98.0%和95.0%。另一方面,在负荷识别环节按负荷功率大小采用Fisher线性判断进行特征重要性分析并建立特征库。同时利用非监督模糊C均值聚类和监督支持向量机两种算法进行基于宿舍场景的负荷识别验证,验证结果表明两种方法对单负荷与多负荷的识别准确率达到91.0%和89.0%以上,因此本文提出的方法在宿舍场景的负荷识别及故障电弧检测中具有良好的应用价值。
改进的融合用户兴趣的协同过滤推荐系统研究
这是一篇关于协同过滤,模糊C均值聚类,用户评分,用户兴趣倾向,标准差,离散系数的论文, 主要内容为传统的协同过滤算法面对稀疏数据时计算相似度精确度偏低,导致评分预测结果计算不准确,推荐效果也随之下降。针对传统协同过滤算法的不足之处,利用聚类算法对数据及进行聚类,降低用户邻居的搜索时间,同时引入用户兴趣相似度优化对用户兴趣偏好的计算,引入标准差作为惩罚因子优化Pearson相关系数的计算。在此研究基础上,提出了一种将用户兴趣和改进的Pearson相似性相结合的协同过滤算。本文主要创新如下:(1)采用改进的模糊C均值聚类算法对用户数据集进行聚类,利用加权的欧式距离计算公式对传统FCM算法忽略不同用户兴趣爱好程度的不同问题进行修正,提高聚类的结果精确度。在用户兴趣相似性计算的过程中,将用户评分分值差异度和用户评分倾向相似性加入到传统的协同过滤推荐算法中,用于优化对用户兴趣偏好的计算,形成用户兴趣相似度计算方法。(2)针对Pearson相关系数在计算时忽略项目自身质量属性的问题,用标准差来反映用户评分的离散性,并将离散系数作为判断用户评分对计算相似性的贡献度,消除项目自身质量属性对计算相似度带来的误差。(3)最后将用户兴趣和改进的Pearson相关系数相结合,从而计算出更加准确的用户相似度。在真实的数据集上进行了实验验证,该算法提高了评分的预测效果,提高了推荐的精确度。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码码头 ，原文地址：https://m.bishedaima.com/lunwen/48147.html
