简介:针对短期家庭电力数据随机性强,数据维度低等问题,提出了一种基于长短期记忆循环神经网络(LSTM)的单变量短期家庭电力需求预测模型.实验表明,该模型能够准确反映以小时为单位的家庭电力需求趋势,且在不同家庭上的泛化性能优于传统的循环神经网络(RNN)和门控循环网络(GRU).
简介:射线束分析仪在大型放疗设备的校准中有重要作用,其自身定位精确度在0.1mm.通过搭建基于激光跟踪仪的位移测试系统,对射线束分析仪水平轴的定位精度进行测量校准.将测得的位移数据进行最小二乘拟合,使得拟合曲线上的各点位移与真实位移值之差的平方和最小,此时拟合曲线上各点位移值最接近真实位移.将拟合曲线上各点位移值与标准位移值做差,即可求得各点误差值.实验结果表明,在未使用小支架的情况下位移测量系统的基本误差为0.1636%,利用小支架使激光跟踪仪光束不穿过水箱壁时,位移测量系统的基本误差为0.0616%.实验系统可使射线束分析仪的单轴位移精确度达到0.01mm精度级.
简介:域自适应算法是一种能有效解决训练集(源域)和测试集(目标域)样本分布不一样但是具有相关性的方法.文章提出一个跨领域分布适配超限学习机(DDM-ELM)用于解决域自适应问题.DDM-ELM旨在基于超限学习机的框架下,充分利用丰富的有标签源域样本和无标签目标域样本,得出一个精确的目标域分类器.具体来说,DDM-ELM同时满足以下目标:1)最小化源域样本的分类误差;2)通过最小化投影最大化均值偏差来有效减小源域和目标域的分布差距;3)利用目标域样本的流形正则化来探索目标域样本的几何机构特性.这使得DDM-ELM能在同时继承超限学习机优点的前提下更加适合于目标域样本.经过大量的实验结果证明,相比于几种先进的域自适应方法,DDM-ELM在分类准确率和效率上均有所提高.