湖南省自然科学基金(04JJ3031)
- 作品数：8 被引量：140H指数：4
- 相关作者：罗可郗东妹张学茂童小娇林睦纲更多>>
- 相关机构：长沙理工大学德州学院更多>>
- 发文基金：湖南省自然科学基金国家自然科学基金湖南省教育厅科研基金更多>>
- 相关领域：自动化与计算机技术电气工程理学更多>>
- 数据挖掘中分类算法综述被引量：103
- 2005年
- 分类是数据挖掘、机器学习和模式识别中一个重要的研究领域。通过对当前数据挖掘中具有代表性的优秀分类算法进行分析和比较,总结出了各种算法的特性,为使用者选择算法或研究者改进算法提供了依据。此外,提出了评价分类器的5条标准,以便于研究者提出新的有效算法。
- 罗可林睦纲郗东妹
- 关键词：数据挖掘数据集
- LW7-220型SF_6断路器常见缺陷及处理被引量：6
- 2006年
- 针对LW7-220型SF6高压断路器在运行中经常出现的几类缺陷,如断路器本体SF6气体泄漏、CY型液压机构渗油、油泵打压频繁及打压时间过长、控制回路失灵以及其它经常出现的故障作了深入分析,给出了相应的处理措施,并针对该型断路器在运行中经常出现的问题提出了预防性的措施和建议。对LW7-220型SF6断路器在运行中暴露出的问题经过技改后,效果良好,确保了电网的安全稳定运行。
- 肖辉吴学斌曾祥君童小娇
- 关键词：高压断路器液压操动机构SF6
- 基于双层遗传算法的混合属性数据分类被引量：3
- 2006年
- 论文提出了一种新的遗传算法对含有离散属性和连续属性值的混合数据进行分类。在染色体设计上采用两层结构染色体,同时实现搜索连续属性数据的最优分割点集和对混合数据进行分类。
- 王丽丽罗可杨光军
- 关键词：数据分类遗传算法离散化
- 电力负荷多属性半结构性模糊优选组合预测被引量：2
- 2005年
- 在电力规划决策支持系统中,各种负荷预测方法计算中长期电力负荷预测所获得的结果相差较大,为科学准确地确定和推荐预测结果,需要采用相应的分析和决策方法。其决策分析的结构中总目标为获得满意预测推荐解；属性层中既有定量目标,又有定性准则；预测层则以决策支持系统中所有的预测方法和结果为基础。按照此结构采用多属性半结构性模糊优选方法,分别精确计算定量目标特征值矩阵,量化定性准则模糊比较判断矩阵,并计算具有统一标准的相对优属度矩阵,进而将模糊优选方法改进地应用于负荷预测的评价、筛选和组合。实例表明：该方法充分考虑了预测及其决策的相关因素,可用于规划及预测决策支持系统,具有准确、量化、科学和实用性。
- 黄宇翔徐志生刘建华周任军
- 关键词：多属性决策
- 采掘有效的关联规则被引量：19
- 2005年
- 关联规则挖掘是数据挖掘中重要的研究课题.为了减少关联规则挖掘中的无效关联规则,我们分析了其原因,提出了二种改进方法,即在衡量标准中增加影响度或相对置信度.根据它们的大小,我们将强关联规则分为正关联规则、无效关联规则、负关联规则.我们给出了用新衡量标准挖掘关联规则的改进算法,并用VisualFoxPro进行了试验.实验表明:新方法能明显减少无效关联规则的数目.
- 罗可郗东妹
- 关键词：数据挖掘关联规则影响度
- 半无限优化的光滑化拟Newton法及其在最优潮流中的应用被引量：1
- 2006年
- 提出求解半无限优化(SIP)问题的一类新算法—光滑化拟Newton法.基于非线性互补函数(non linearcomp lem entary prob lem-NCP function),转化SIP问题的KKT系统为非光滑方程组,设计光滑化拟Newton法求解该方程系统.该方法的特点是在每步迭代中只需求解一个线性方程组系统,且算法具有较好的全局与局部超线性收敛性.利用该方法求解电力系统暂态稳定约束的最优潮流(optim al power flows w ith transient stab ility constraints-OTS)问题,计算结果显示该算法的有效性.
- 邴萍萍童小娇
- 关键词：暂态稳定约束最优潮流收敛性
- SPRINT算法及其改进方法被引量：5
- 2005年
- 分类是数据挖掘中重要的研究课题。文章介绍了SPRINT分类算法。为了提高该算法在海量数据库中分类的总体效率,笔者提出了两种处理离散属性的新方法,这些方法能明显减少求最佳分割点的运算量,提高算法的执行速度。
- 罗可张学茂
- 关键词：数据挖掘决策树SPRINT算法
- 一种高效的频集挖掘算法被引量：2
- 2006年
- 频集挖掘是关联规则挖掘的关键步骤,它对强规则、相关分析和时间序列有着重要的意义.常用的频集算法包括Apriori和FP-G rowth.为了提高算法效率,提出了一种基于D iffset的混合算法———D iffsetHybrid,该算法根据数据集的稀疏程度决定采用D iffset的某种形式来挖掘频集,减少了存储空间,提高了算法效率.试验表明,该算法对于稀疏数据集和稠密数据集都有良好的计算性能.
- 罗可张学茂
