您的位置： 专家智库 > >

国家高技术研究发展计划(2009AA043503)

作品数：2 被引量：5H指数：1
相关作者：柳先辉张伟史德明丁毅黄毅更多>>
相关机构：同济大学马鞍山钢铁股份有限公司更多>>
发文基金：国家高技术研究发展计划国家科技支撑计划更多>>
相关领域：自动化与计算机技术更多>>

文献类型

  • 2篇中文期刊文章

领域

  • 2篇自动化与计算...

主题

  • 1篇多任务
  • 1篇多任务学习
  • 1篇多时间序列
  • 1篇支持向量
  • 1篇支持向量回归
  • 1篇数学
  • 1篇能耗
  • 1篇向量
  • 1篇向量值
  • 1篇混合算法
  • 1篇函数
  • 1篇函数学习
  • 1篇改进PSO算...
  • 1篇PSO

机构

  • 2篇同济大学
  • 1篇马鞍山钢铁股...

作者

  • 2篇柳先辉
  • 1篇赵卫东
  • 1篇丁毅
  • 1篇史德明
  • 1篇黄毅
  • 1篇张伟

传媒

  • 1篇计算机应用
  • 1篇电脑知识与技...

年份

  • 2篇2012
共 2 条 记 录，以下是 1-2
全选 清除 导出
排序方式：
使用周边信息的改进PSO算法被引量：1
2012年
近来，粒子群优化算法在许多工程应用领域取得关注和使用。这个算法受自然界鸟类活动的启发，形成了一个简单有效的最优化算法。有许多研究者通过组合其他heuristics算法和PSO算法的优点，产生了许多混合算法，大大提高了PSO算法的表现。基于以上思想，提出了一种使用粒子所在周边信息的改进PSO算法。使用4个典型的非线性优化问题来测试和标准PSO算法的性能差异。
黄毅柳先辉赵卫东
关键词：PSO混合算法
基于支持向量回归的多时间序列自回归方法被引量：4
2012年
能耗时间序列涉及多种能源,且各种能源间关系复杂,主要通过多个独立的单时间序列进行预报,这种方式忽略了多时间序列之间的依赖性。为了充分利用多时间序列之间的关联信息以提高预报的准确性,根据机器学习中的向量值函数学习和多任务学习理论,采用支持向量回归(SVR)算法建立了多时间序列的向量值自回归方法和多任务自回归方法。实验结果证明,与多个独立的单时间序列模型相比,通过这种方法建立的多时间序列自回归模型在焦化工序能耗预报中表现出了更好的性能。
张伟柳先辉丁毅史德明
关键词：能耗多时间序列多任务学习支持向量回归
全选 清除 导出
共1页<1>
聚类工具0