-
公开(公告)号：CN110889564A
公开(公告)日：2020-03-17
申请号：CN201911290170.7
申请日：2019-12-16
Applicant: 吉林大学
Abstract: 本发明设及一种基于MKPCA-RBFNN的短期电力负荷预测方法，该方法采用混合核主成成分分析与径向基神经网络模型的结合，通过混合核主成成分分析法对电力负荷数据进行降维处理，训练径向基神经网络模型，得到电力负荷预测数据。本发明提出的方法在处理复杂的电力负荷数据时，很好的适应了电力负荷数据的变化，有效的提高了电力负荷的预测精度。
-
公开(公告)号：CN110889564B
公开(公告)日：2022-11-08
申请号：CN201911290170.7
申请日：2019-12-16
Applicant: 吉林大学
Abstract: 本发明设及一种基于MKPCA‑RBFNN的短期电力负荷预测方法，该方法采用混合核主成成分分析与径向基神经网络模型的结合，通过混合核主成成分分析法对电力负荷数据进行降维处理，训练径向基神经网络模型，得到电力负荷预测数据。本发明提出的方法在处理复杂的电力负荷数据时，很好的适应了电力负荷数据的变化，有效的提高了电力负荷的预测精度。
-
公开(公告)号：CN108882326B
公开(公告)日：2020-12-22
申请号：CN201810692768.8
申请日：2018-06-29
Applicant: 吉林大学
Abstract: 本发明涉及一种车联网环境下基于隐贝叶斯分类方法的垂直切换算法，该算法充分考虑了先验网络属性之间的依赖关系，考虑了网络切换判决变量间的联系，削弱了朴素贝叶斯分类方法中由于属性条件独立假设而引发性能下降，同时维持了原算法的复杂度。引入了速度自适应条件加权概率，使算法更好的考虑了速度对网络性能的影响，更好的适应了车辆节点不断变化的速度。与原有基于朴素贝叶斯决策的算法相比，该算法挺高了切换效率，降低了切换时产生的“乒乓效应”；同时自适应的匹配车辆节点的速度，可以规避不符合速度的网络，避免接入不匹配速度的网络。
-
公开(公告)号：CN108882326A
公开(公告)日：2018-11-23
申请号：CN201810692768.8
申请日：2018-06-29
Applicant: 吉林大学
Abstract: 本发明涉及一种车联网环境下基于隐贝叶斯分类方法的垂直切换算法，该算法充分考虑了先验网络属性之间的依赖关系，考虑了网络切换判决变量间的联系，削弱了朴素贝叶斯分类方法中由于属性条件独立假设而引发性能下降，同时维持了原算法的复杂度。引入了速度自适应条件加权概率，使算法更好的考虑了速度对网络性能的影响，更好的适应了车辆节点不断变化的速度。与原有基于朴素贝叶斯决策的算法相比，该算法挺高了切换效率，降低了切换时产生的“乒乓效应”；同时自适应的匹配车辆节点的速度，可以规避不符合速度的网络，避免接入不匹配速度的网络。
-
-
-
Search Results
4
records
(took 0.02 seconds)
