导读:本文包含了智能组合预测论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:组合,奇异,分解,小波,模型,智能,数据。
智能组合预测论文文献综述
李晨曦[1]（2019）在《应用智能组合模型预测中国艾滋病月发病率》一文中研究指出由于艾滋病的流行对社会的影响,准确地预测艾滋病对我国意义重大。本文对艾滋病月发病率HIV和AIDS两个序列分别展开研究,利用基于序列分解-重组的机器学习方法进行预测。首先,通过奇异谱分析(SSA)对原始HIV月发病率数据进行分解,得到两个部分:重构序列和残差序列。用PSOGSA优化后的SVR预测重构项,S-ARIMA预测残差项,得到组合模型SSA-PGSVR-SARIMA;另外,用PSOGSA优化的SVR预测重构项,极限学习机(ELM)预测残差项,可以得到组合模型SSA-PGSVR-ELM。这两个组合模型都能比较好的预测HIV发病率。对于AIDS月发病率的预测建立组合模型CEEMD-PSR-BPNN,采用集合经验模态分解(CEEMD)对原始AIDS月发病率序列进行分解,分解得到5个本征模态函数IMFs和1个残差项。接下来对6个序列分别重构,采用基于C-C法的相空间重构(PSR)决定它们的网络输入形式。最后将得到的6组重构的部分输入到BPNN中,得到最终的AIDS预测结果。通过对HIV/AIDS序列的分别研究,探索更适用于艾滋病的预测方法,本文建立的组合模型可以有效地预测艾滋病发病率,弥补了传染病统计预测研究的不足,同时为我国艾滋病的防控工作提供相关的数据支持。该研究结果具有很好的应用价值。(本文来源于《兰州大学》期刊2019-04-01）
盖成飞[2]（2018）在《基于群智能优化的线性和及非线性组合预测模型的研究及应用》一文中研究指出自18世纪第一次工业革命以来,人类对能源的消耗呈现出急剧增长的趋势。化石能源的大量使用对于环境也产生巨大的影响,世界各地的极端天气也频繁出现。不仅如此,石油、煤炭类似这样的化石资源在世界的区域内并不是平均分布,石油价格被少数几个国家控制,致使全球能源市场的不稳定因素增加。能源属于国家的战略性资源,一国对于能源的供需决不可受制于国际能源市场。由于化石能源的不可再生性,以及对于环境造成的巨大危害,清洁绿色的可再生能源成为众多专家学者研究和开发的重点。而风能在可再生能源中占有很大比重,整个世界的风能1300亿千瓦左右,比世界上能够发掘使用的水能源总的数量多十倍,由此可见风能的绝对量是十分可观的,风能在现代能源结构中发挥着重要作用。而风速对于风能的预测有重要的价值,近年来,许多专家和学者一直致力于风速预测模型的研究。然而,许多风速预测模型没有考虑到数据预处理、参数优化的重要性,忽略了单一模型的预测精度差、稳定性差的局限性,从而导致预测结果不佳。由于以上原因,本文提出了一种基于数据预处理技术、参数优化和线性及非线性的组合模型,旨在提高短期预测的精度以及稳定性,组合模型的预测结果可用于风能的调度和管理,使得风能得以充分利用,从而使得风电场经济的效益最大化。所提组合模型的结构框架可分为叁个部分:数据预处理、参数优化、模型预测与结果检验。在数据预处理部分模型采用新颖的集合经验模态分解方法对实验数据进行去噪处理。参数优化部分采用粒子群优化算法、蝙蝠优化算法、交叉验证法分别优化单个支持向量机、BP神经网络、广义回归神经网络的参数。模型预测与结果检验部分运用山东蓬莱风电场的风速数据进行短期风速预测实验,本文所提出的组合预测模型与传统的单个支持向量机、BP神经网络、广义回归神经网络、差分自回归移动平均模型结果进行对比分析,实验结果表明:本文所提出的组合模型克服了单一模型预测精度较差、稳定性较差的缺陷,提高了风能预测的精度及稳定性,为风能的调度与管理提供了技术基础。本文的研究具体可以分为四个部分:第一章阐述了风速预测研究背景及研究意义,国内外研究现状及评述,创新点和不足。第二章介绍了模型的相关理论。模型采用的数据预处理方法是集合经验模态分解法。模型优化方法有粒子群模型优化算法、蝙蝠模型优化算法、交叉验证法。相关的模型理论包括支持向量机、BP神经网络、广义回归神经网络和组合模型理论。第叁章采用集合经验模态分解法对实验数据进行去噪处理,将预处理过的数据输入组合模型中进行计算并得到预测结果,并运用山东蓬莱风电场机组数据对本文提出的组合模型进行实证检验,与传统的单个预测模型结果进行对比研究本文所提的模型无论在稳定性还是精度方面都表现最优。第四章阐述了本文的研究对于风能预测,能源管理,能源调度的意义。第五章是未来的研究思路和研究方向。本文的创新点有:提出一种新颖的组合模型,它结合了集合经验模态分解技术、高级的优化算法和四种预测模型,即BP神经网络、广义回归神经网络(GRNN)、支持向量机(SVM)和自回归移动平均(ARIMA)模型。所提出的组合模型成功的对上述四种预测模型的优点进行了综合,进一步提高风速预测的精度和稳定性。虽然本文所提模型在风速预测精确度和稳定性方面取得些许突破,但此次研究仍然存在不足之处。本文的不足有:一是所提组合模型着重考虑了统计模型与神经络模型在风速预测中的应用,其他风速预测方法,如空间相关模型,物理模型等并没有涉及。二是本文对风速的预测仅仅做了风速的单步预测,今后还可以考虑做多步预测的研究,进一步改进模型预测精度。(本文来源于《东北财经大学》期刊2018-11-01）
李亚茹[3]（2018）在《基于应用组合耗电预测的Android智能手机电量管理系统的设计与实现》一文中研究指出近几年,随着无线技术的发展和移动通讯设备的普及,智能手机已逐步成为多数人日常生活和工作无法替代的必备工具,然而智能手机耗电速度快、续航时间短等问题严重影响着用户体验,而且多个应用程序在智能手机剩余电量中交替使用的可运行时间无法提前获知,导致用户无法合理安排智能手机剩余电量的使用,影响用户的生活和工作。针对上述提到的问题,本文研究基于应用组合耗电预测的Android智能手机电量管理系统,为用户提供应用组合在智能手机剩余电量中的可运行时间,合理管理智能手机电量的使用,从而提升用户体验。本文从需求分析、系统设计、系统实现以及系统测试这几方面对Android智能手机电量管理系统作详细描述,并详细介绍建立的两个功耗模型。系统采用Java编程语言,在Android平台上进行开发。系统使用Activity组件和xml布局文件设计交互界面,为丰富页面设计,采用自定义View设计滑动菜单栏。系统使用Service组件运行后台程序,使用BroadcastReceiver组件监听系统广播和自定义广播,使用SQLite数据库存储、管理数据。基于获取的历史数据,系统采用多元线性回归表示应用组合功耗和应用组合中包含的单个应用功耗之间的关系,建立应用组合功耗模型。为提高模型准确性,设计了分阶段应用组合功耗模型,并基于分阶段应用组合功耗模型计算智能手机第叁方应用程序任意组合在剩余电量下的可运行时间,便于用户对剩余电量按自身需求做合理安排。系统的后台管理不是单纯地一刀式关闭,而是统计智能手机中第叁方应用的近期使用情况,以此将第叁方应用进行分类,基于用户输入的应用组合以及分类情况管理后台运行服务和GPS、蓝牙等手机资源连接,使智能手机电量使用更合理。本文在真机上对系统进行功能测试和性能测试,使用真实数据对功耗模型进行评估。实验和测试结果表明本文实现的系统能够满足用户需求,各项性能指标均达到要求。用户可以通过系统提前获取所需应用组合在剩余电量中交替使用时手机的可用时间,系统亦为用户提供个性化的电量管理策略,不仅可保障仅用户所需应用允许转入智能手机后台运行,还可避免应用重启问题,使用户体验更佳。(本文来源于《西安电子科技大学》期刊2018-06-01）
乔贺倩[4]（2018）在《应用智能组合模型预测中国肺结核月发病人数》一文中研究指出本文主要研究中国肺结核月发病人数的预测,以期为我国肺结核的控制工作提供相应的数据支持。根据月发病人数序列波动的周期特征,本文从序列分解的角度进行预测。首先,采用小波分析(WA)和奇异谱分析(SSA)对原始序列进行分解,提取序列周期。小波分析得到趋势序列、两个周期序列和残差序列。趋势序列和两个周期序列分别用极限学习机(ELM)和非线性滤波器(NAR)预测;残差序列用支持向量回归(SVR)预测。由此建立两个组合预测模型:WA-ELM-SVR和WA-NAR-SVR。SSA分解得到重构序列和残差序列,重构序列用ELM和NAR分别预测,残差序列用SVR预测,同样得到两个组合预测模型:SSA-ELM-SVR和SSA-NAR-SVR。根据组合预测模型,将小波分析的趋势序列、周期序列和残差序列的预测值加总或者将重构序列和残差序列的预测值加总,就得到肺结核月发病人数预测值。和基于原始序列建立的ELM和NAR模型相比,四个组合模型的预测效果较好,表明小波分析和SSA可以提取原始序列的周期,提高序列预测准确度。然后,考虑到肺结核月发病人数受到季节因素的影响,原始序列波动具有季节周期,具体在每一年中,1月～6月肺结核发病人数不断上升,7月～12月开始逐渐下降。因此采用Seasonal-Trend Decomposition using LOESS(STL)分解,将原始序列分解为季节指数、长期趋势和残差项。季节指数在不同年份保持固定不变,无需建立模型预测。用反馈神经网络(Elman网络)预测长期趋势,SVR预测残差项,建立STL-Elman-SVR预测模型。根据STL-Elman-SVR模型,同样将季节指数、长期趋势和残差项的预测值相加就得到最终月发病人数预测值。比较预测值和真实值,并建立对比模型STL-ARIMA和STL-GM(1,1),比较模型可知,STL分解可以准确提取稳定的季节指数,保证预测的准确性。本文将小波分析、SSA和STL分解方法引入发病人数预测中,运用机器学习算法预测分解分量,建立组合预测模型。根据组合模型所预测的肺结核发病人数高发月份,可以为我国完善肺结核预防措施提供定量依据。(本文来源于《兰州大学》期刊2018-04-01）
张娟[5]（2018）在《基于智能组合模型对降雨量及径流量预测的实证研究》一文中研究指出由于水资源在人类生产生活中的重要作用及其可利用总量的匮乏,有效的水文预测可以为水资源的管理和合理规划提供可靠的参考依据。因此,对于水文数据的精准预测尤为重要。本文主要做了两个实证分析,分别对湖北神农架林区松柏水文站的四个雨量站的降雨量以及甘肃省疏勒河昌马堡水文站的径流量进行预测。实验一,提出一种新的组合模型SSA-DA-SVR预测降雨量,即基于奇异谱分析(SSA),蜻蜓优化算法(DA)和支持向量机回归(SVR)的组合模型。首先,SSA用来提取水文数据的趋势特征。其次,DA用来优化模型SVR中的惩罚参数c和核函数参数g。最后,SVR被选为寻找非线性系统中输入和输出间关系的预测模型。提出的组合模型SSA-DA-SVR对松柏、盘水、栏马和九龙池四个雨量站的月平均降雨量进行预测。为了验证模型的有效性,建立组合模型DA-SVR,SSA-GWO-SVR,SSA-PSO-SVR,SSA-CS-SVR,结果表明在五个组合模型中,新提出的组合模型预测精度较高。实验二,主要是对甘肃省疏勒河昌马堡水文站月平均径流量进行预测。首先,用EEMD将原始数据进行分解以充分提取各个趋势,其次,根据所提取出的趋势特征分别选取适合该信号序列的算法对其进行预测,最后将得到的各个序列的预测值迭加即可得到最终的径流量预测值,即为通过组合模型EEMD-IMFs-COM对月平均径流量进行预测得到的预测值。为了验证提出的组合模型的有效性,跟对比模型作比较,可以得出新提出的组合模型预测性能较好且预测精度较高。通过案例分析,可以将以上两种混合模型作为一种简便有效的工具运用在水文预报领域。(本文来源于《兰州大学》期刊2018-04-01）
赵伟博,牛东晓[6]（2018）在《基于小波-智能算法组合模型的光伏出力预测》一文中研究指出光伏出力具有强非线性和非规律性的特点,因而其预测存在诸多困难。通过对光伏出力数据进行小波分解,获得其出力数据的低频与高频部分,再分别选取合适的智能算法模型预测低频和高频部分,最后将各部分加总还原为原始数据的预测值。通过对某光伏发电设备的出力数据进行预测计算,证明基于小波分解的组合预测模型在光伏出力预测方面具有较高的准确性与可靠性。(本文来源于《水电能源科学》期刊2018年02期）
徐长宝,王玉磊,赵立进,高吉普,黄良[7]（2018）在《基于信息趋势预测和组合赋权的智能变电站继电保护系统状态模糊综合评价》一文中研究指出智能变电站建设为二次设备实时信息的获取提供了条件,准确了解继电保护系统的状态对提高供电可靠性具有重要作用。根据智能变电站的信息流向和设备功能建立基于实时自检信息和关键历史信息的状态评价信息模型,考虑传统状态评价方法对系统状态的评估具有滞后性,提出基于信息趋势预测的惩罚修正策略,根据趋势预测的结果选取岭形模糊隶属度函数进行模糊处理;采用层次分析法和反熵权法结合的组合赋权方法进行权重设定,克服了传统熵权法灵敏度太高的缺陷。将所提方法与传统方法进行对比验证,仿真结果表明所提方法可以有效地提高状态评价结果的准确性和及时性。(本文来源于《电力自动化设备》期刊2018年01期）
王辉,王伯伊,孙运清,秦佳婧[8]（2017）在《基于计算机智能的深度信念网络的组合电力负荷预测方法（英文）》一文中研究指出电力系统负荷预测是电力系统规划和经济政策制定的主要依据,然而现有的基于计算机人工智能的电力系统负荷预测多采用组合预测方式,其预测精度低,效率低下;针对此问题,提出了一种基于深度信念网络的组合负荷预测方法,此方法首先建立了深度信念网络训练模型,将组合数据与实际负荷数据之间构建的非线性函数关系应用到此训练模型中,通过数据训练,优化深度信念网络层数和参数;使得训练好的组合深度信念网络具有预测能力。利用实际历史数据,对组合负荷预测的精度进行了计算,实验结果表明:所提出的预测方法相对于传统的组合预测方法,具有较高的预测精度,同时其计算复杂度较低(本文来源于《机床与液压》期刊2017年18期）
王亚宸[9]（2017）在《基于数据预处理和人工智能优化的组合预测模型的研究及应用》一文中研究指出信息技术的发展以及互联网的普及使得信息数据迅速增长,如何将这些海量的数据进行有效地处理,挖掘到更多有用的信息已成为备受关注的问题。面对如此庞大的数据量,对数据加以预测已经是现阶段普遍使用的一种有效处理方式。预测是通过一定科学依据客观地、合理地揭示所预测对象的本质及其规律,借助于大量数据的支撑,可以定量的、定性的去了解数据,继而对被了解事物未来的趋势开展清晰地描述。通过对未来数据的预测,可以帮助人们、企业等提前制订合理的方案计划,也可有效避免一定损失。尤其是在电力系统中,对电力的准确预测不仅能节约生产成本,给社会带来大量的经济效益的同时,又能环保,打造一种绿色、低碳的生产、生活环境。电能作为一种清洁能源已广泛应用于人们的生产和生活中,是国家经济发展的一条关键的能源命脉。然而,受到气候、环境、人口等多种因素的影响,电能难以储存,导致电力生产商很难对电力生产量进行提前估计,因而可能造成能源的短缺或者能源浪费。同时电能生产量的不稳定波动会造成电价的大幅波动,对居民、企业等的使用和购买产生一定影响。随着电能的进一步广泛使用,精确的电力预测就显得更重要了,因此,一个有效的、准确的、适用性强的电力预测方法显得尤为关键。本文通过数据预处理和人工智能优化算法,提出了一种组合预测方法,该方法结合了小波变换(Wavelet Transform,WT)、极限学习机(Extreme Learning Machine,ELM)、相空间重构预测(Phase Space Reconstruction,PSR)、最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)和粒子群优化(Particle Swarm Optimization,PSO)算法。该组合预测方法首先采用小波变换的阈值处理剔除原始数据中的噪声数据,接着分别用叁种单独方法对降噪后的数据进行预测,得到中间预测结果,最后通过PSO进行权重优化调节,对叁种单独方法赋予不同权重。权重和预测值相乘后再将叁者相加从而得到最终预测结果。为了说明本文所提出的方法的高预测性能,本文采用了两种模拟性试验:电力负荷预测和电价预测。数据来源于澳大利亚能源市场(AEM)的其中两个区域:新南威尔士州和维多利亚州。两组数据的模拟仿真一方面可以证明所提出组合方法的高预测精度,另一方面又可以将方法进一步推广,可普遍适用于多种数据,有广泛的适用性。同时,该组合预测方法同多个单独方法及已提出的现存的组合方法进行数据对比分析,结果证明了本文所提出的组合预测方法有较高的预测精度和广泛的适用性。(本文来源于《兰州大学》期刊2017-04-01）
何兆爽[10]（2017）在《基于多步向前预测和人工智能的组合算法的研究和应用》一文中研究指出风能是至关重要的低碳能源,它使得可持续能源供应的实现成为了可能。而且,在某种程度上,它还是构成智能电网基础设施的关键部分。然而风的不稳定性和随机性等不确定因素极大的阻碍了风力发电的大规模应用。因此,对风速预测模型的精度和性能要求越来越高。单一模型已经不能满足现有的需求,更多的组织或机构开始将研究方向转移到组合模型实现的多步向前风速预测。同时,如何根据不同模型的优点选择子模型构成组合模型,并分析子模型对组合模型的影响也顺势成为迫切需要解决的问题。本文提出了一种新型的关于风速多步向前预测的组合算法SMSGECSEP,因其组合了奇异谱分析、滑动窗口机制实现的多步向前预测、广义回归神经网络、Elman神经网络、级联BP神经网络、回声状态网络、模拟退火算法和粒子群优化算法。该方法首先使用奇异谱分析方法处理原始的风速数据序列,将序列中的噪声信息去除;其次使用滑动窗口模型分解原始数据和降噪数据分别获得多步向前预测的输入向量序列和输出向量序列;然后分别使用SA优化的GRNN模型(SA_GRNN)、SA优化的Elman模型(SA_Elman)和SA优化的级联BP(SA_CBP)这叁个子模型对分解后的数据进行预测;最后使用PSO优化的ESN模型(PSO_ESN)对预测结果进行组合。SA和PSO分别被用于优化相应模型的重要参数,提高相应算法预测精度,最终整体提高组合算法的精度。通过对美国国家风力技术中心M2塔的80m每分钟的平均风速数据进行预测模拟,通过预测结果分析每个子模型和组合模型的预测性能,证明了本文提出的组合方法有助于提升风速预测的精度。另外,还通过对不同程度降噪数据的预测模拟,对SSA的降噪性能做了研究,发现50%降噪时,算法取得整体最优且稳定的降噪效果。(本文来源于《兰州大学》期刊2017-04-01）
智能组合预测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
自18世纪第一次工业革命以来,人类对能源的消耗呈现出急剧增长的趋势。化石能源的大量使用对于环境也产生巨大的影响,世界各地的极端天气也频繁出现。不仅如此,石油、煤炭类似这样的化石资源在世界的区域内并不是平均分布,石油价格被少数几个国家控制,致使全球能源市场的不稳定因素增加。能源属于国家的战略性资源,一国对于能源的供需决不可受制于国际能源市场。由于化石能源的不可再生性,以及对于环境造成的巨大危害,清洁绿色的可再生能源成为众多专家学者研究和开发的重点。而风能在可再生能源中占有很大比重,整个世界的风能1300亿千瓦左右,比世界上能够发掘使用的水能源总的数量多十倍,由此可见风能的绝对量是十分可观的,风能在现代能源结构中发挥着重要作用。而风速对于风能的预测有重要的价值,近年来,许多专家和学者一直致力于风速预测模型的研究。然而,许多风速预测模型没有考虑到数据预处理、参数优化的重要性,忽略了单一模型的预测精度差、稳定性差的局限性,从而导致预测结果不佳。由于以上原因,本文提出了一种基于数据预处理技术、参数优化和线性及非线性的组合模型,旨在提高短期预测的精度以及稳定性,组合模型的预测结果可用于风能的调度和管理,使得风能得以充分利用,从而使得风电场经济的效益最大化。所提组合模型的结构框架可分为叁个部分:数据预处理、参数优化、模型预测与结果检验。在数据预处理部分模型采用新颖的集合经验模态分解方法对实验数据进行去噪处理。参数优化部分采用粒子群优化算法、蝙蝠优化算法、交叉验证法分别优化单个支持向量机、BP神经网络、广义回归神经网络的参数。模型预测与结果检验部分运用山东蓬莱风电场的风速数据进行短期风速预测实验,本文所提出的组合预测模型与传统的单个支持向量机、BP神经网络、广义回归神经网络、差分自回归移动平均模型结果进行对比分析,实验结果表明:本文所提出的组合模型克服了单一模型预测精度较差、稳定性较差的缺陷,提高了风能预测的精度及稳定性,为风能的调度与管理提供了技术基础。本文的研究具体可以分为四个部分:第一章阐述了风速预测研究背景及研究意义,国内外研究现状及评述,创新点和不足。第二章介绍了模型的相关理论。模型采用的数据预处理方法是集合经验模态分解法。模型优化方法有粒子群模型优化算法、蝙蝠模型优化算法、交叉验证法。相关的模型理论包括支持向量机、BP神经网络、广义回归神经网络和组合模型理论。第叁章采用集合经验模态分解法对实验数据进行去噪处理,将预处理过的数据输入组合模型中进行计算并得到预测结果,并运用山东蓬莱风电场机组数据对本文提出的组合模型进行实证检验,与传统的单个预测模型结果进行对比研究本文所提的模型无论在稳定性还是精度方面都表现最优。第四章阐述了本文的研究对于风能预测,能源管理,能源调度的意义。第五章是未来的研究思路和研究方向。本文的创新点有:提出一种新颖的组合模型,它结合了集合经验模态分解技术、高级的优化算法和四种预测模型,即BP神经网络、广义回归神经网络(GRNN)、支持向量机(SVM)和自回归移动平均(ARIMA)模型。所提出的组合模型成功的对上述四种预测模型的优点进行了综合,进一步提高风速预测的精度和稳定性。虽然本文所提模型在风速预测精确度和稳定性方面取得些许突破,但此次研究仍然存在不足之处。本文的不足有:一是所提组合模型着重考虑了统计模型与神经络模型在风速预测中的应用,其他风速预测方法,如空间相关模型,物理模型等并没有涉及。二是本文对风速的预测仅仅做了风速的单步预测,今后还可以考虑做多步预测的研究,进一步改进模型预测精度。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
智能组合预测论文参考文献
[1].李晨曦.应用智能组合模型预测中国艾滋病月发病率[D].兰州大学.2019
[2].盖成飞.基于群智能优化的线性和及非线性组合预测模型的研究及应用[D].东北财经大学.2018
[3].李亚茹.基于应用组合耗电预测的Android智能手机电量管理系统的设计与实现[D].西安电子科技大学.2018
[4].乔贺倩.应用智能组合模型预测中国肺结核月发病人数[D].兰州大学.2018
[5].张娟.基于智能组合模型对降雨量及径流量预测的实证研究[D].兰州大学.2018
[6].赵伟博,牛东晓.基于小波-智能算法组合模型的光伏出力预测[J].水电能源科学.2018
[7].徐长宝,王玉磊,赵立进,高吉普,黄良.基于信息趋势预测和组合赋权的智能变电站继电保护系统状态模糊综合评价[J].电力自动化设备.2018
[8].王辉,王伯伊,孙运清,秦佳婧.基于计算机智能的深度信念网络的组合电力负荷预测方法（英文）[J].机床与液压.2017
[9].王亚宸.基于数据预处理和人工智能优化的组合预测模型的研究及应用[D].兰州大学.2017
[10].何兆爽.基于多步向前预测和人工智能的组合算法的研究和应用[D].兰州大学.2017
论文知识图
