序言：寫作是分享個人見解和探索未知領域的橋梁，我們為您精選了8篇的超高效學習方法樣本，期待這些樣本能夠為您提供豐富的參考和啟發，請盡情閱讀。

第1篇

【關鍵詞】 發電廠SVM模型數據辨別避免誤動

現代科學技術突飛猛進,電力系統的現代化程度越來越高,傳統的電壓控制技術逐漸被自動化的電壓控制技術所替代和升級,控制的精度得到較大幅度的提高。

1 發電廠控制系統的現狀和問題

從目前全球角度來看,絕大多數發電巨頭的電壓控制已經都完全應用了AVC(自動電壓控制技術),大大提高了控制的水平和質量,也大大降低了人工的投入。從國內電力系統來看,根據我國電力體制的特點,電壓自動控制由兩端控制的模式進行控制,即時省級電壓調度中心的自動電壓控制主站和發電企業終端的自動電壓控制子站,在自動控制的方式上,采取了三級的階梯控制。從華東地區分析,位于發電企業終端的電壓控制系統,經過升級改造,已經具備了遠程測報、遠程信息傳遞、遠程控制調節等電壓遠程控制的基本功能,在發電企業內部控制上,常見的是自動采集各機組運行的電壓變動、電流變動和企業自己母線的電壓變動、發電機組的有功和無功狀態參數。在電壓自動控制系統中,數據采集是最為核心的環節,也就是說,數據采集的準確率和可靠度是電壓自動控制的生命線。從華東地區的幾個大型電廠的實際運行情況來看,電壓自動控制系統還存在很多問題,如電流互感器運行不盡人意,最為突出的就是數據采集出現誤碼,一級傳遞一級以后,給整體的電壓自動控制系統造成偏差,繼而造成自動保護裝置觸發動作,此類誤動就必然會導致供電系統電壓的較大波動,危害是不容忽視的。

自動控制系統中數據采集的源頭發生問題,就會導致全系統的誤動,因此,對數據采集中的糾偏和及時發現和辨別顯得至關重要。目前,從華東地區的發電企業來看,為防止AVC誤動,都采取了一些針對措施,如:將常規的數據判斷和辨別方法過渡到人工智能仿生神經網絡模式,效果也是立竿見影的,但是,由于人工神經網絡模式需要巨量的數據處理,計算和處理數據比較滯后,而電力系統最大的特點就是不間斷運行,高度強調的是時間,為此,人工神經網絡系統并不是最好的糾偏系統。需要尋找和研究一種零延時的超高速度超高精度的源頭數據識別系統,支持向量機((Support Vector Machine))就應運而生,這是一種全新的方法,目前在全球各個領域都得到了告訴和廣發的發展,在統計學和回歸分析中早已是揚名海內外,特別在處理小數據量、多維度模式和非線性設別中具有了得天獨厚的優勢。由于發電機組的電壓輸出是非線性的、多維度的,因此,可以采用支持向量機對采集的數據進行把關,能及時高效地解決問題。

2 支持向量機的數學模型

支持向量機SVM作為一種可訓練的機器學習方法,依靠小樣本學習后的模型參數進行導航星提取,可以得到分布均勻且恒星數量大為減少的導航星表,它是在統計學的理論基礎上演變出來的,將結構風險最小化處理回歸分析和實時統計模式,優勢是不言而喻的,對于發電企業來說,是投入小收益大的明智之舉。

2.1 支持向量機的算法特點

(1)非線性映射是SVM方法的理論基礎,SVM利用內積核函數代替向高維空間的非線性映射;(2)對特征空間劃分的最優超平面是SVM的目標,最大化分類邊際的思想是SVM方法的核心;(3)支持向量是SVM的訓練結果,在SVM分類決策中起決定作用的是支持向量。因此,模型需要存儲空間小,算法魯棒性強;(4)無序任何前提假設,不涉及概率測度。

2.2 支持向量機的非線性回歸算法

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

在支持向量機中,需要最小化這個數值:

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

但問題似乎還不好解,又因為SVM是一個凸二次規劃問題,凸二次規劃問題有最優解,于是問題轉換成下列形式(KKT條件):

(1)

這里的ai是拉格朗日乘子(問題通過拉格朗日乘法數來求解)

對于(a)的情況,表明ai是正常分類,在邊界內部(我們知道正確分類的點yi×f(xi)>=0)

對于(b)的情況,表明了ai是支持向量,在邊界上對于(c)的情況,表明了ai是在兩條邊界之間而最優解需要滿足KKT條件,即滿足(a)(b)(c)條件都滿足以下幾種情況出現將會出現不滿足:

yiui

yiui>=1但是ai>0則是不滿足的而原本ai=0

yiui=1但是ai=0或者ai=C則表明不滿足的,而原本應該是0

所以要找出不滿足KKT的這些ai,并更新這些ai,但這些ai又受到另外一個約束,即

因此,我們通過另一個方法,即同時更新ai和aj,滿足以下等式

就能保證和為0的約束。

利用yiai+yjaj=常數,消去ai,可得到一個關于單變量aj的一個凸二次規劃問題,不考慮其約束0

(2)

表示舊值,然后考慮約束0

(4)

對于

那么如何求得ai和aj呢？

對于ai,即第一個乘子,可以通過剛剛說的那幾種不滿足KKT的條件來找,第二個乘子aj可以找滿足條件

(5)

b的更新:

在滿足條件:下更新 (6)

最后更新所有ai,y和b,這樣模型就出來了,然后通過函數:

(7)

3 支持向量機的輸入參數確定

第2篇

【關鍵詞】電梯群控 模糊控制 神經網絡 遺傳算法 發展方向【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著電梯群控技術的飛速發展，乘客對于電梯乘坐滿意度和節能環保的要求愈來愈高，如何改善乘客的服務質量和服務效率，以及如何降低能耗已經成為電梯行業關注的核心問題。另外目前國內自主研發的電梯群控系統性能和核心技術上與國外仍然存在很大的差距，因此如何盡快掌握此關鍵技術將會對國內電梯業的發展產生十分重要的戰略意義，智能群控技術的研究也隨之成為國內電梯行業高度重視的研究課題。

在電梯群控技術中關鍵的兩個環節就是電梯交通流的分析研究和智能電梯群控調度算法的研究。電梯交通流的研究是優化派梯調度的依據，所以對電梯交通流的算法分析研究尤為關鍵。另外對于電梯群控調度算法的研究，國內很多學者采用了很多群控的優化算法進行派梯，取得了很多成果。因此電梯群控技術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應用中的優缺點，并提出電梯群控技術的發展方向。

1 電梯群控技術算法

1.1 模糊控制算法。模糊控制算法先對電梯交通模式進行分類，然后由專家知識確定隸屬函數及控制規則，確立系統的綜合評價函數實現多目標控制，并根據不同的交通模式調整加權系數，最后通過模糊控制算法實現不同交通模式下電梯群的優化調度控制。但此算法的缺點是系統性能主要取決于專家的經驗，如果專家預設的規則與實際的建筑不符控制效果就會不好，另外調整和確定隸屬函數需要大量仿真實驗且需花費非常多的時間和精力，學習技能和適應性差。

1.2 神經網絡算法。神經網絡算法模仿的是人類的大腦和思維方式，網絡結構特殊性使其具有自學習和自適應能力。它可以通過調整網絡權值得到近似的最優輸入輸出映射關系，適用于處理非線性問題，并且它有很強的自學能力，能改進控制算法并對制定的規則加以修改，利用非線性和學習方法建立合適的模型進行推理對電梯交通流進行預測，對于建筑里不斷變化的交通流能靈活的進行調整。由于在網絡里要不斷接受數據的輸入和處理，有很強的自適應能力。但此算法的網絡訓練樣本多，算法的收斂時間將會延長，而且還會產生體積龐大的網絡，難以驗證算法的合理性。

1.3 模糊神經網絡算法。模糊控制算法的優點在于它能夠處理精確的和模糊的信息并能實現精確的映射，不足之處是隸屬函數中的加權系數不能隨著不同的交通流類型而變化，無自學習能力，而神經網絡算法正好彌補了其不能自學習和自適應性的功能，是可以自動生成函數、自動提取問題的自適應算法。因此將兩者完美結合即為模糊神經網絡算法，可以發揮各自的特長，更好地預測交通流的不確定性，從而實現以最小的電梯數目配置應付最大的交通流，實現最優的調度。但模糊神經網絡算法的不足在于其梯度法的學習，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律來尋找最優方案的一種算法，實際上就是種群在進化中優勝劣汰的一種競爭機制，最終選出最佳的一種方法。此算法自適應能力強，能夠根據不同的交通流調整為不同的群控策略，但遺傳算法搜索時間長，搜索效率低。

1.5專家系統控制算法。專家系統控制算法是根據專家的經驗積累起來的有一定控制規則的推理知識庫，能解決很多需要靠經驗解決的問題，根據這些輸入評價指標信息可以利用推理知識庫按一定的策略去調度電梯。但此算法對復雜的電梯控制系統不適用，主要是局限于專家的知識和經驗。另外控制規則數多的話，系統難以控制，并且影響控制的性能。

2電梯群控技術的發展方向

目前對電梯群控技術的研究雖然取得了一定的成績，但針對對上述群控算法的研究，整體算法優化沒有大的突破，并且很多都在研究階段，實際應用的很少，因此本文在此提出了未來電梯群控技術的發展方向。

（1）多目標優化調度方法。目前研究的能達到電梯滿意度的指標主要有擁擠程度，乘梯時間、候梯時間，長候梯率等幾種，而隨著超高層電梯群發展的越來越迅速，人們對環保的關注度加強，對于電梯的運行速度和電梯的能耗方面研究的不多或者不太深入，所以未來新的優化算法需要包含更多人們關注的指標，并且要根據不同建筑物的電梯運行情況和同一建筑物不同時間區間的需求智能的調整這

（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，當然還有支持向量機、蟻群算法、混沌理論、petri網等，這些也都已經在電梯群控中有應用。但是上述通過分析它們各自的優缺點我們可以看出電梯群控技術在以后的發展中必然需要將這些算法進行有機的結合，吸收各種算法的優勢彌補劣勢，在電梯群控中根據不同的情況采用不同的算法模塊進行控制，有效的實現電梯群控的智能化，這是未來電梯群控的主要發展趨勢。

（3）基于圖像處理的群控技術。目前電梯群控大多還是通過傳統的外呼按鈕作為獲取乘客信息的設備，進入電梯之后再進行目標樓層的選擇，獲取交通流的實時性和完整性不能得到有效的保證。為了解決這個問題，需要增加一些圖像處理設備對客流信息進行檢測識別，增加智能輸入樓層液晶觸屏顯示器面板提前進行登記，客流信息的完整度掌握非常好的情況下進行派梯會有更好的效果。

（4）基于“互聯網+”的群控技術。隨著“互聯網+”技術的迅猛發展，因網絡通信方面也是影響群控技術的關鍵因素，所以“互聯網+”應用在電梯群控技術也成為未來發展的趨勢，現已經有學者研究了基于手機移動互聯網、物聯網等幾種電梯群控調度方法，它們都是在智能群控算法的基礎上加上與乘客交流信息互動反饋獲取實時的交通流信息，遠程監控系統通過當前時刻實時數據進行調度實現派梯的高效化，很大程度上解決了高峰期客流排隊等待時間長的問題，用戶體驗也很好，未來通過手機客戶端獲取乘客信息改進電梯群控的技術會應用的越來越廣泛。

3 結論

本文對智能電梯群控技術的算法進行了詳細的闡述，并分析了各種算法的優勢和劣勢，針對目前存在的問題提出了未來電梯群控技術的發展方向：我們不僅要進行控制算法的優化研究，也要對電梯群控技術研究不能只停留在理論研究上，如何在實H工程中得以應用也是我們未來需要繼續努力的方向。

參考文獻：

[1]朱賀.論智能控制技術在現代電梯群控系統中的應用[J].

科技與企業.2013 （11）：100-100.

[2]張健，王笑竹.改進GA優化BP神經網絡的電梯群控策略

[J].陜西理工學院學報（自然科學柳. 2015 （4） ：36-39.

[3]鄭曉芳.我國電梯群控系統研究文獻綜述與思考[J].華東

交通大學學報.2012.29 （3）：51-55.

[4]黃支支.電梯群控技術的現狀與發展方向[J].硅谷.

2014.2：82-87.

[5]程誠，周彥暉.淺談基于物聯網的智能電梯群控系統[J].

計算機與網絡.2015.12：69-71.