序言：寫(xiě)作是分享個(gè)人見(jiàn)解和探索未知領(lǐng)域的橋梁，我們?yōu)槟x了8篇的超高效學(xué)習(xí)方法樣本，期待這些樣本能夠?yàn)槟峁┴S富的參考和啟發(fā)，請(qǐng)盡情閱讀。

第1篇

【關(guān)鍵詞】 發(fā)電廠(chǎng)SVM模型數(shù)據(jù)辨別避免誤動(dòng)

現(xiàn)代科學(xué)技術(shù)突飛猛進(jìn),電力系統(tǒng)的現(xiàn)代化程度越來(lái)越高,傳統(tǒng)的電壓控制技術(shù)逐漸被自動(dòng)化的電壓控制技術(shù)所替代和升級(jí),控制的精度得到較大幅度的提高。

1 發(fā)電廠(chǎng)控制系統(tǒng)的現(xiàn)狀和問(wèn)題

從目前全球角度來(lái)看,絕大多數(shù)發(fā)電巨頭的電壓控制已經(jīng)都完全應(yīng)用了AVC(自動(dòng)電壓控制技術(shù)),大大提高了控制的水平和質(zhì)量,也大大降低了人工的投入。從國(guó)內(nèi)電力系統(tǒng)來(lái)看,根據(jù)我國(guó)電力體制的特點(diǎn),電壓自動(dòng)控制由兩端控制的模式進(jìn)行控制,即時(shí)省級(jí)電壓調(diào)度中心的自動(dòng)電壓控制主站和發(fā)電企業(yè)終端的自動(dòng)電壓控制子站,在自動(dòng)控制的方式上,采取了三級(jí)的階梯控制。從華東地區(qū)分析,位于發(fā)電企業(yè)終端的電壓控制系統(tǒng),經(jīng)過(guò)升級(jí)改造,已經(jīng)具備了遠(yuǎn)程測(cè)報(bào)、遠(yuǎn)程信息傳遞、遠(yuǎn)程控制調(diào)節(jié)等電壓遠(yuǎn)程控制的基本功能,在發(fā)電企業(yè)內(nèi)部控制上,常見(jiàn)的是自動(dòng)采集各機(jī)組運(yùn)行的電壓變動(dòng)、電流變動(dòng)和企業(yè)自己母線(xiàn)的電壓變動(dòng)、發(fā)電機(jī)組的有功和無(wú)功狀態(tài)參數(shù)。在電壓自動(dòng)控制系統(tǒng)中,數(shù)據(jù)采集是最為核心的環(huán)節(jié),也就是說(shuō),數(shù)據(jù)采集的準(zhǔn)確率和可靠度是電壓自動(dòng)控制的生命線(xiàn)。從華東地區(qū)的幾個(gè)大型電廠(chǎng)的實(shí)際運(yùn)行情況來(lái)看,電壓自動(dòng)控制系統(tǒng)還存在很多問(wèn)題,如電流互感器運(yùn)行不盡人意,最為突出的就是數(shù)據(jù)采集出現(xiàn)誤碼,一級(jí)傳遞一級(jí)以后,給整體的電壓自動(dòng)控制系統(tǒng)造成偏差,繼而造成自動(dòng)保護(hù)裝置觸發(fā)動(dòng)作,此類(lèi)誤動(dòng)就必然會(huì)導(dǎo)致供電系統(tǒng)電壓的較大波動(dòng),危害是不容忽視的。

自動(dòng)控制系統(tǒng)中數(shù)據(jù)采集的源頭發(fā)生問(wèn)題,就會(huì)導(dǎo)致全系統(tǒng)的誤動(dòng),因此,對(duì)數(shù)據(jù)采集中的糾偏和及時(shí)發(fā)現(xiàn)和辨別顯得至關(guān)重要。目前,從華東地區(qū)的發(fā)電企業(yè)來(lái)看,為防止AVC誤動(dòng),都采取了一些針對(duì)措施,如:將常規(guī)的數(shù)據(jù)判斷和辨別方法過(guò)渡到人工智能仿生神經(jīng)網(wǎng)絡(luò)模式,效果也是立竿見(jiàn)影的,但是,由于人工神經(jīng)網(wǎng)絡(luò)模式需要巨量的數(shù)據(jù)處理,計(jì)算和處理數(shù)據(jù)比較滯后,而電力系統(tǒng)最大的特點(diǎn)就是不間斷運(yùn)行,高度強(qiáng)調(diào)的是時(shí)間,為此,人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)并不是最好的糾偏系統(tǒng)。需要尋找和研究一種零延時(shí)的超高速度超高精度的源頭數(shù)據(jù)識(shí)別系統(tǒng),支持向量機(jī)((Support Vector Machine))就應(yīng)運(yùn)而生,這是一種全新的方法,目前在全球各個(gè)領(lǐng)域都得到了告訴和廣發(fā)的發(fā)展,在統(tǒng)計(jì)學(xué)和回歸分析中早已是揚(yáng)名海內(nèi)外,特別在處理小數(shù)據(jù)量、多維度模式和非線(xiàn)性設(shè)別中具有了得天獨(dú)厚的優(yōu)勢(shì)。由于發(fā)電機(jī)組的電壓輸出是非線(xiàn)性的、多維度的,因此,可以采用支持向量機(jī)對(duì)采集的數(shù)據(jù)進(jìn)行把關(guān),能及時(shí)高效地解決問(wèn)題。

2 支持向量機(jī)的數(shù)學(xué)模型

支持向量機(jī)SVM作為一種可訓(xùn)練的機(jī)器學(xué)習(xí)方法,依靠小樣本學(xué)習(xí)后的模型參數(shù)進(jìn)行導(dǎo)航星提取,可以得到分布均勻且恒星數(shù)量大為減少的導(dǎo)航星表,它是在統(tǒng)計(jì)學(xué)的理論基礎(chǔ)上演變出來(lái)的,將結(jié)構(gòu)風(fēng)險(xiǎn)最小化處理回歸分析和實(shí)時(shí)統(tǒng)計(jì)模式,優(yōu)勢(shì)是不言而喻的,對(duì)于發(fā)電企業(yè)來(lái)說(shuō),是投入小收益大的明智之舉。

2.1 支持向量機(jī)的算法特點(diǎn)

(1)非線(xiàn)性映射是SVM方法的理論基礎(chǔ),SVM利用內(nèi)積核函數(shù)代替向高維空間的非線(xiàn)性映射;(2)對(duì)特征空間劃分的最優(yōu)超平面是SVM的目標(biāo),最大化分類(lèi)邊際的思想是SVM方法的核心;(3)支持向量是SVM的訓(xùn)練結(jié)果,在SVM分類(lèi)決策中起決定作用的是支持向量。因此,模型需要存儲(chǔ)空間小,算法魯棒性強(qiáng);(4)無(wú)序任何前提假設(shè),不涉及概率測(cè)度。

2.2 支持向量機(jī)的非線(xiàn)性回歸算法

支持向量機(jī)的非線(xiàn)性回歸算法的基本原理是在數(shù)據(jù)采集的樣本(a1b1),(a2b3),…,(ambm),ai∈R,bi∈R中,尋找一個(gè)特定的函數(shù)B=wtΔ(a)+c,作為一個(gè)可以融合的參照,其中m為樣本數(shù)據(jù)的量,w為m維向量,Δ(a)是尋找的非線(xiàn)性函數(shù),c為閥值。

在支持向量機(jī)中,需要最小化這個(gè)數(shù)值:

w:是參量,值越大邊界越明顯C代表懲罰系數(shù),即如果某個(gè)x是屬于某一類(lèi),但是它偏離了該類(lèi),跑到邊界上后者其他類(lèi)的地方去了,C越大表明越不想放棄這個(gè)點(diǎn),邊界就會(huì)縮小代表:松散變量。

但問(wèn)題似乎還不好解,又因?yàn)镾VM是一個(gè)凸二次規(guī)劃問(wèn)題,凸二次規(guī)劃問(wèn)題有最優(yōu)解,于是問(wèn)題轉(zhuǎn)換成下列形式(KKT條件):

(1)

這里的ai是拉格朗日乘子(問(wèn)題通過(guò)拉格朗日乘法數(shù)來(lái)求解)

對(duì)于(a)的情況,表明ai是正常分類(lèi),在邊界內(nèi)部(我們知道正確分類(lèi)的點(diǎn)yi×f(xi)>=0)

對(duì)于(b)的情況,表明了ai是支持向量,在邊界上對(duì)于(c)的情況,表明了ai是在兩條邊界之間而最優(yōu)解需要滿(mǎn)足KKT條件,即滿(mǎn)足(a)(b)(c)條件都滿(mǎn)足以下幾種情況出現(xiàn)將會(huì)出現(xiàn)不滿(mǎn)足:

yiui

yiui>=1但是ai>0則是不滿(mǎn)足的而原本ai=0

yiui=1但是ai=0或者ai=C則表明不滿(mǎn)足的,而原本應(yīng)該是0

所以要找出不滿(mǎn)足KKT的這些ai,并更新這些ai,但這些ai又受到另外一個(gè)約束,即

因此,我們通過(guò)另一個(gè)方法,即同時(shí)更新ai和aj,滿(mǎn)足以下等式

就能保證和為0的約束。

利用yiai+yjaj=常數(shù),消去ai,可得到一個(gè)關(guān)于單變量aj的一個(gè)凸二次規(guī)劃問(wèn)題,不考慮其約束0

(2)

表示舊值,然后考慮約束0

(4)

對(duì)于

那么如何求得ai和aj呢？

對(duì)于ai,即第一個(gè)乘子,可以通過(guò)剛剛說(shuō)的那幾種不滿(mǎn)足KKT的條件來(lái)找,第二個(gè)乘子aj可以找滿(mǎn)足條件

(5)

b的更新:

在滿(mǎn)足條件:下更新 (6)

最后更新所有ai,y和b,這樣模型就出來(lái)了,然后通過(guò)函數(shù):

(7)

3 支持向量機(jī)的輸入?yún)?shù)確定

第2篇

【關(guān)鍵詞】電梯群控 模糊控制 神經(jīng)網(wǎng)絡(luò) 遺傳算法 發(fā)展方向【Abstract】Fuzzy control， neural network， fuzzy neural network， genetic algorithm， expert system and so on five kinds of algorithm widely used in intelligent elevator group control technology were discussed in this paper. the of， and their advantages and disadvantages in elevator group control system application were summarized. The development direction of the elevator group control technology was proposed in response to the present existing problems in the elevator group control technology.

【Key words】The elevator group control， Fuzzy control， Neural network， Genetic algorithm， Development direction

0引言

S著電梯群控技術(shù)的飛速發(fā)展，乘客對(duì)于電梯乘坐滿(mǎn)意度和節(jié)能環(huán)保的要求愈來(lái)愈高，如何改善乘客的服務(wù)質(zhì)量和服務(wù)效率，以及如何降低能耗已經(jīng)成為電梯行業(yè)關(guān)注的核心問(wèn)題。另外目前國(guó)內(nèi)自主研發(fā)的電梯群控系統(tǒng)性能和核心技術(shù)上與國(guó)外仍然存在很大的差距，因此如何盡快掌握此關(guān)鍵技術(shù)將會(huì)對(duì)國(guó)內(nèi)電梯業(yè)的發(fā)展產(chǎn)生十分重要的戰(zhàn)略意義，智能群控技術(shù)的研究也隨之成為國(guó)內(nèi)電梯行業(yè)高度重視的研究課題。

在電梯群控技術(shù)中關(guān)鍵的兩個(gè)環(huán)節(jié)就是電梯交通流的分析研究和智能電梯群控調(diào)度算法的研究。電梯交通流的研究是優(yōu)化派梯調(diào)度的依據(jù)，所以對(duì)電梯交通流的算法分析研究尤為關(guān)鍵。另外對(duì)于電梯群控調(diào)度算法的研究，國(guó)內(nèi)很多學(xué)者采用了很多群控的優(yōu)化算法進(jìn)行派梯，取得了很多成果。因此電梯群控技術(shù)的研究主要定位在群控算法的研究上，本文主要介紹這些算法并討論其在電梯群控系統(tǒng)應(yīng)用中的優(yōu)缺點(diǎn)，并提出電梯群控技術(shù)的發(fā)展方向。

1 電梯群控技術(shù)算法

1.1 模糊控制算法。模糊控制算法先對(duì)電梯交通模式進(jìn)行分類(lèi)，然后由專(zhuān)家知識(shí)確定隸屬函數(shù)及控制規(guī)則，確立系統(tǒng)的綜合評(píng)價(jià)函數(shù)實(shí)現(xiàn)多目標(biāo)控制，并根據(jù)不同的交通模式調(diào)整加權(quán)系數(shù)，最后通過(guò)模糊控制算法實(shí)現(xiàn)不同交通模式下電梯群的優(yōu)化調(diào)度控制。但此算法的缺點(diǎn)是系統(tǒng)性能主要取決于專(zhuān)家的經(jīng)驗(yàn)，如果專(zhuān)家預(yù)設(shè)的規(guī)則與實(shí)際的建筑不符控制效果就會(huì)不好，另外調(diào)整和確定隸屬函數(shù)需要大量仿真實(shí)驗(yàn)且需花費(fèi)非常多的時(shí)間和精力，學(xué)習(xí)技能和適應(yīng)性差。

1.2 神經(jīng)網(wǎng)絡(luò)算法。神經(jīng)網(wǎng)絡(luò)算法模仿的是人類(lèi)的大腦和思維方式，網(wǎng)絡(luò)結(jié)構(gòu)特殊性使其具有自學(xué)習(xí)和自適應(yīng)能力。它可以通過(guò)調(diào)整網(wǎng)絡(luò)權(quán)值得到近似的最優(yōu)輸入輸出映射關(guān)系，適用于處理非線(xiàn)性問(wèn)題，并且它有很強(qiáng)的自學(xué)能力，能改進(jìn)控制算法并對(duì)制定的規(guī)則加以修改，利用非線(xiàn)性和學(xué)習(xí)方法建立合適的模型進(jìn)行推理對(duì)電梯交通流進(jìn)行預(yù)測(cè)，對(duì)于建筑里不斷變化的交通流能靈活的進(jìn)行調(diào)整。由于在網(wǎng)絡(luò)里要不斷接受數(shù)據(jù)的輸入和處理，有很強(qiáng)的自適應(yīng)能力。但此算法的網(wǎng)絡(luò)訓(xùn)練樣本多，算法的收斂時(shí)間將會(huì)延長(zhǎng)，而且還會(huì)產(chǎn)生體積龐大的網(wǎng)絡(luò)，難以驗(yàn)證算法的合理性。

1.3 模糊神經(jīng)網(wǎng)絡(luò)算法。模糊控制算法的優(yōu)點(diǎn)在于它能夠處理精確的和模糊的信息并能實(shí)現(xiàn)精確的映射，不足之處是隸屬函數(shù)中的加權(quán)系數(shù)不能隨著不同的交通流類(lèi)型而變化，無(wú)自學(xué)習(xí)能力，而神經(jīng)網(wǎng)絡(luò)算法正好彌補(bǔ)了其不能自學(xué)習(xí)和自適應(yīng)性的功能，是可以自動(dòng)生成函數(shù)、自動(dòng)提取問(wèn)題的自適應(yīng)算法。因此將兩者完美結(jié)合即為模糊神經(jīng)網(wǎng)絡(luò)算法，可以發(fā)揮各自的特長(zhǎng)，更好地預(yù)測(cè)交通流的不確定性，從而實(shí)現(xiàn)以最小的電梯數(shù)目配置應(yīng)付最大的交通流，實(shí)現(xiàn)最優(yōu)的調(diào)度。但模糊神經(jīng)網(wǎng)絡(luò)算法的不足在于其梯度法的學(xué)習(xí)，其收斂性太依靠于初始條件。

1.4遺傳算法。遺傳算法是模擬自然遺傳規(guī)律來(lái)尋找最優(yōu)方案的一種算法，實(shí)際上就是種群在進(jìn)化中優(yōu)勝劣汰的一種競(jìng)爭(zhēng)機(jī)制，最終選出最佳的一種方法。此算法自適應(yīng)能力強(qiáng)，能夠根據(jù)不同的交通流調(diào)整為不同的群控策略，但遺傳算法搜索時(shí)間長(zhǎng)，搜索效率低。

1.5專(zhuān)家系統(tǒng)控制算法。專(zhuān)家系統(tǒng)控制算法是根據(jù)專(zhuān)家的經(jīng)驗(yàn)積累起來(lái)的有一定控制規(guī)則的推理知識(shí)庫(kù)，能解決很多需要靠經(jīng)驗(yàn)解決的問(wèn)題，根據(jù)這些輸入評(píng)價(jià)指標(biāo)信息可以利用推理知識(shí)庫(kù)按一定的策略去調(diào)度電梯。但此算法對(duì)復(fù)雜的電梯控制系統(tǒng)不適用，主要是局限于專(zhuān)家的知識(shí)和經(jīng)驗(yàn)。另外控制規(guī)則數(shù)多的話(huà)，系統(tǒng)難以控制，并且影響控制的性能。

2電梯群控技術(shù)的發(fā)展方向

目前對(duì)電梯群控技術(shù)的研究雖然取得了一定的成績(jī)，但針對(duì)對(duì)上述群控算法的研究，整體算法優(yōu)化沒(méi)有大的突破，并且很多都在研究階段，實(shí)際應(yīng)用的很少，因此本文在此提出了未來(lái)電梯群控技術(shù)的發(fā)展方向。

（1）多目標(biāo)優(yōu)化調(diào)度方法。目前研究的能達(dá)到電梯滿(mǎn)意度的指標(biāo)主要有擁擠程度，乘梯時(shí)間、候梯時(shí)間，長(zhǎng)候梯率等幾種，而隨著超高層電梯群發(fā)展的越來(lái)越迅速，人們對(duì)環(huán)保的關(guān)注度加強(qiáng)，對(duì)于電梯的運(yùn)行速度和電梯的能耗方面研究的不多或者不太深入，所以未來(lái)新的優(yōu)化算法需要包含更多人們關(guān)注的指標(biāo)，并且要根據(jù)不同建筑物的電梯運(yùn)行情況和同一建筑物不同時(shí)間區(qū)間的需求智能的調(diào)整這

（2）多種智能算法融合。以上幾種智能算法只是分析的其中幾種普遍比較成熟的算法，當(dāng)然還有支持向量機(jī)、蟻群算法、混沌理論、petri網(wǎng)等，這些也都已經(jīng)在電梯群控中有應(yīng)用。但是上述通過(guò)分析它們各自的優(yōu)缺點(diǎn)我們可以看出電梯群控技術(shù)在以后的發(fā)展中必然需要將這些算法進(jìn)行有機(jī)的結(jié)合，吸收各種算法的優(yōu)勢(shì)彌補(bǔ)劣勢(shì)，在電梯群控中根據(jù)不同的情況采用不同的算法模塊進(jìn)行控制，有效的實(shí)現(xiàn)電梯群控的智能化，這是未來(lái)電梯群控的主要發(fā)展趨勢(shì)。

（3）基于圖像處理的群控技術(shù)。目前電梯群控大多還是通過(guò)傳統(tǒng)的外呼按鈕作為獲取乘客信息的設(shè)備，進(jìn)入電梯之后再進(jìn)行目標(biāo)樓層的選擇，獲取交通流的實(shí)時(shí)性和完整性不能得到有效的保證。為了解決這個(gè)問(wèn)題，需要增加一些圖像處理設(shè)備對(duì)客流信息進(jìn)行檢測(cè)識(shí)別，增加智能輸入樓層液晶觸屏顯示器面板提前進(jìn)行登記，客流信息的完整度掌握非常好的情況下進(jìn)行派梯會(huì)有更好的效果。

（4）基于“互聯(lián)網(wǎng)+”的群控技術(shù)。隨著“互聯(lián)網(wǎng)+”技術(shù)的迅猛發(fā)展，因網(wǎng)絡(luò)通信方面也是影響群控技術(shù)的關(guān)鍵因素，所以“互聯(lián)網(wǎng)+”應(yīng)用在電梯群控技術(shù)也成為未來(lái)發(fā)展的趨勢(shì)，現(xiàn)已經(jīng)有學(xué)者研究了基于手機(jī)移動(dòng)互聯(lián)網(wǎng)、物聯(lián)網(wǎng)等幾種電梯群控調(diào)度方法，它們都是在智能群控算法的基礎(chǔ)上加上與乘客交流信息互動(dòng)反饋獲取實(shí)時(shí)的交通流信息，遠(yuǎn)程監(jiān)控系統(tǒng)通過(guò)當(dāng)前時(shí)刻實(shí)時(shí)數(shù)據(jù)進(jìn)行調(diào)度實(shí)現(xiàn)派梯的高效化，很大程度上解決了高峰期客流排隊(duì)等待時(shí)間長(zhǎng)的問(wèn)題，用戶(hù)體驗(yàn)也很好，未來(lái)通過(guò)手機(jī)客戶(hù)端獲取乘客信息改進(jìn)電梯群控的技術(shù)會(huì)應(yīng)用的越來(lái)越廣泛。

3 結(jié)論

本文對(duì)智能電梯群控技術(shù)的算法進(jìn)行了詳細(xì)的闡述，并分析了各種算法的優(yōu)勢(shì)和劣勢(shì)，針對(duì)目前存在的問(wèn)題提出了未來(lái)電梯群控技術(shù)的發(fā)展方向：我們不僅要進(jìn)行控制算法的優(yōu)化研究，也要對(duì)電梯群控技術(shù)研究不能只停留在理論研究上，如何在實(shí)H工程中得以應(yīng)用也是我們未來(lái)需要繼續(xù)努力的方向。

參考文獻(xiàn)：

[1]朱賀.論智能控制技術(shù)在現(xiàn)代電梯群控系統(tǒng)中的應(yīng)用[J].

科技與企業(yè).2013 （11）：100-100.

[2]張健，王笑竹.改進(jìn)GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的電梯群控策略

[J].陜西理工學(xué)院學(xué)報(bào)（自然科學(xué)柳. 2015 （4） ：36-39.

[3]鄭曉芳.我國(guó)電梯群控系統(tǒng)研究文獻(xiàn)綜述與思考[J].華東

交通大學(xué)學(xué)報(bào).2012.29 （3）：51-55.

[4]黃支支.電梯群控技術(shù)的現(xiàn)狀與發(fā)展方向[J].硅谷.

2014.2：82-87.

[5]程誠(chéng)，周彥暉.淺談基于物聯(lián)網(wǎng)的智能電梯群控系統(tǒng)[J].

計(jì)算機(jī)與網(wǎng)絡(luò).2015.12：69-71.