导读:本文包含了短期学习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:深度,卷积,负荷,神经网络,学习机,算法,网络。
短期学习论文文献综述
廖文强,王江宇,陈焕新,丁新磊[1]（2019）在《基于深度学习的建筑能耗短期预测方法研究》一文中研究指出对建筑能耗预测的研究根据预测时间间隔长度分为短期、中长期、长期。其中,短期建筑能耗的预测使用广泛,基于短期预测结果可对建筑短期未来的运行模式进行调节,实现更好的能源调配和进行建筑用能故障分析,对于加速实现绿色、智慧建筑的目标具有重要意义。建筑管理系统的大面积推广使用,使得大量关于建筑运行相关数据的获取变得更加容易。对于不同类型的建筑,运行数据有很大的区别,因此在获得了大量数据特征值后,筛选出对预测模型有效、关键的特征参数就显得尤为重要。为了更好地利用特征数据中的信息,本文使用了一种基于深度学习的非监督特征提取方法——去噪自编码器(Denoising AutoEncoder,DAE)。实验结果表明,相比传统模型,基于深度学习的复合模型DAE-LSTM可以获得更加精确的预测结果。(本文来源于《2019年中国家用电器技术大会论文集》期刊2019-10-21）
张文涛,马永光,董子健[2]（2019）在《基于优化核极限学习机的短期电力负荷预测》一文中研究指出短期电力负荷预测对于电力系统的安全调度和经济运行具有非常重要的意义,针对传统短期负荷预测方法具有误差大、计算复杂的问题,提出一种基于IWOA-KELM和AdaBoost的短期电力负荷预测方法。首先根据负荷历史数据,建立多个核极限学习机(KELM)短期电力负荷预测模型,并利用改进的鲸鱼算法(IWOA)去优化KELM的核函数参数和正则化系数,然后利用AdaBoost算法将多个IWOA-KELM弱预测器迭代集成强预测器,从而对短期电力负荷进行预测。实验结果表明,与BP神经网络和SVM相比,上述方法具有更短的运行时间和更好的预测性能。(本文来源于《计算机仿真》期刊2019年10期）
周毅[3]（2019）在《本科生海外短期研修课程认定及学分转换初探——以“江苏高校学生境外学习政府奖学金项目”为例》一文中研究指出随着新时期高等教育国际化工作的推进,越来越多的本科生开始参与海外研修,本文以"江苏高校学生境外学习政府奖学金项目"为例,对本科生参加海外研修回国后的课程认定及学分转换做一个初步探索,希望能为今后高校在制订学校相关管理规定的时候以及推广新的短期海外交流项目提供些许建议与参考。(本文来源于《教育现代化》期刊2019年78期）
赵文芳,林润生,唐伟,周勇[4]（2019）在《基于深度学习的PM2.5短期预测模型》一文中研究指出为了提高PM2.5浓度短期预报的准确率,解决现有PM2.5浓度短期预报准确率不高的问题,提出了一种基于卷积神经网络和长短时记忆的深度学习预报测型.首先,综合考虑气温、相对湿度、降水量、风力、能见度等多种气象要素,综合分析气象要素与PM2.5浓度相关性.其次,利用PM2.5浓度数据、气象站点观测数据和气象要素网格实况分析数据进行融合处理,生成用于训练和测试的时空序列数据,并使用卷积神经网络和长短时记忆网络获取时空特征.通过大量实验确定模型中关键参数,然后利用最优参数建立预测模型.最后,使用模型对PM2.5未来24 h浓度进行预测,并与支持向量机、业务中的预报模型进行对比.实验结果表明,相比其他机器学习方法和预报方法,卷积神经网络和长短时记忆相结合的预测方法能有效提高PM2.5浓度未来24 h预测精度,并具有较高的泛化能力.(本文来源于《南京师大学报(自然科学版)》期刊2019年03期）
李大中,李颖宇,王超[5]（2019）在《基于卷积循环神经网络深度学习的短期风速预测》一文中研究指出由于风速具有随机性和间歇性的特点,以传统方法难以实现风速的精准测量及预测。风速信号对于风电机组输出功率稳定、电能质量提升优化等具有重要作用。基于此,提出一种基于卷积与循环神经网络相结合的深度学习实现风速预测的方法,并与其它方法做了对比分析。以某风电场2014—2015年机组历史大数据为依据,经过数据预处理随机选取44天数据对设计模型进行训练验证,结果与实际风速基本一致,并且效果好于其他方法。从该风场2015年历史大数据中再随机选取12天数据,进一步对模型泛化性能进行检验,结果表明该模型仍然能够实现风速的准确预测,泛化性能良好。(本文来源于《电力科学与工程》期刊2019年08期）
朱成林,李梦[6]（2019）在《短期蛙泳学习对功能动作筛查(FMS)的影响——以长江大学体育专业男生为例》一文中研究指出目的探究短期蛙泳学习对功能动作筛查(FMS)得分的影响,分析蛙泳学习干预能否降低潜在伤病风险。方法选取长江大学体育专业FMS得分小于17分的16名男生作为实验对象,分别在蛙泳学习干预前后对受试者进行FMS测试。结果 1)干预后FMS总分平均分较干预前增长4.5分且干预后各项测试平均得分较干预前均有不同幅度增长,经SPSS20.0配对样本T检验分析得出干预后各项得分(除躯干稳定性外)及总分较干预前呈显着差异性(p<0.05)。2)干预后双侧对称性较干预前提高且存在差异性(p<0.05)。结论 1)短期蛙泳学习可以锻炼各肌群的相互协调拮抗,收缩和舒张更趋于合理,这些总体效果使得损伤风险减少,表现为功能动作筛查(FMS)测试得分提高。2)短期蛙泳干预对下肢力量,及髋、膝、踝关节的柔韧性、对称性、灵活性、稳定性等均有一定程度的提高;对上肢力量、柔韧和关节的灵活性、对称性等有所改善;但核心力量及躯干力量提高相对不明显。(本文来源于《湖北体育科技》期刊2019年08期）
李敏,黄迟[7]（2019）在《集成学习下的短期交通流预测》一文中研究指出为了实现短期交通流的精准预测,在深度学习模型的基础上提出一种集成深度信念网格方法;通过考察交通流序列的高斯混合分布特性,加入高斯混合分布噪声进行数据优化,并采用Bagging集成学习的方法对各子深度信念网络进行集成,得到改进的深度集成信念网络模型。经实例演算,该模型比传统的反向传播神经网络、未经过集成的深度信念网络预测精度都要高,且经过高斯混合噪声优化的改进模型要优于未经过优化的深度学习集成模型。(本文来源于《济南大学学报(自然科学版)》期刊2019年05期）
雷鸣,唐李洋,叶振宇,黎川,潘李伟[8]（2019）在《一种基于深度学习的居民家庭短期用电预测方法》一文中研究指出单个居民家庭的用电量与多种复杂因素相关,可能包括其历史用电量、节假日因素、天气以及居民用电习惯等。通过研究和实验,我们提出了一种端到端的结构来预测单个家庭的短期用电量,称为残差卷积融合网络。具体来说,我们的网络结构使用了:1)利用残差卷积单元的叁个分支分别来模拟用电量的时间邻近性、周期性和趋势特性;2)利用一个全连接的神经网络来模拟工作日或周末特性;3)通过残差卷积网络来融合上述输出以产生短期用电量的预测。通过对澳大利亚居民用电数据集的实验研究,验证了我们所提出的网络优于几种众所周知的方法。(本文来源于《电脑知识与技术》期刊2019年21期）
马天男,王超,彭丽霖,郭小帆,付明[9]（2019）在《计及需求响应和深度结构多任务学习的电力系统短期负荷预测》一文中研究指出随着需求响应技术的快速发展,使得电力系统负荷数据呈现出规模庞大、结构复杂的非线性特征,基于深度机器学习和高效数据处理平台的负荷预测方法是当前的研究重点。为实现计及需求响应的电力系统短期负荷预测,建立了基于Spark平台和时钟频率驱动循环神经网络(CW-RNNs)的短期负荷预测方法。在Spark平台上设置不同工作组将全部数据分割为多个子数据模块,通过并行化计算提高数据处理效率,进而基于需求响应技术对负荷曲线做出调整,计算得到用户预期收益和用户舒适度影响指标值;采用离散小波变换将调整后的负荷曲线分解,得到一组高、低频信号;并采用偏最小二乘回归模型和CW-RNNs回归模型分别对低、高频信号进行训练学习;将训练好的PLS模型和CW-RNNs模型通过加权平均得到最终组合预测模型(Spark-CW-RNNs)。通过实例计算验证算法的准确性和有效性,结果表明:Spark-CW-RNNs模型比其他单一模型的预测误差更小、预测精度更高,模型具有有效性和可行性。(本文来源于《电测与仪表》期刊2019年16期）
吴佳慧[10]（2019）在《基于VMD和改进型极限学习机的短期电力负荷预测》一文中研究指出电力能源作为高效绿色能源在如今社会扮演着举足轻重的角色。电力系统短期负荷预测,对电力部门的合理调度和稳定运行具有重要的参考意义,也是电网优化运行的基础。电力负荷短期预测研究已经持续了很多年,但随着人类社会的迅猛发展,自然气候的变化使得影响电力负荷的因素也越来越多,电力系统负荷在短期内波动变得更加复杂,传统短期预测方法已经不能再满足预测精度的需要,因此,选择合适的预测方法,提升预测精度具有一定的研究意义。本文基于安徽省某一地区的电力负荷,对负荷特性和短期负荷预测模型进行了研究。首先,分析了传统预测模型例如BP神经网络和SVM支持向量机在短期负荷预测上所面临的主要问题,基于此,本文建立了极限学习机电力负荷短期预测模型。但极限学习机中初始输入权值和隐含神经元阈值具有随机性而导致预测性能不稳定甚至预测精度达不到要求,本文在粒子群优化算法的基础上动态调整参数并与遗传优化算法结合后对极限学习机输入权值和隐含神经元阈值进行寻优以改善预测性能。其次,因电力负荷受到人类活动及外界多种因素的影响,导致序列信号中含有大量噪声呈现出随机性和非线性的特点,为了提取负荷序列的局部特征和避免模态混迭,本文采用了变分模态分解技术,将原始电力负荷序列分解成有限带宽的子序列,然后分别计算子序列的样本熵,样本熵反映了序列复杂程度,将样本熵值相近的子序列合并为新序列,再分别与优化后的极限学习机预测模型结合,将各个子序列的预测结果重构,得出最终的预测结果。最后,将某一地区真实电力负荷数据作为样本数据进行了仿真测试,其仿真结果表明,上述两种改进后的模型在不同日类型负荷预测中,预测性能均有明显的提高,在工程实践中可以得到较为满意的结果。(本文来源于《西安理工大学》期刊2019-06-30）
短期学习论文开题报告
（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：
短期电力负荷预测对于电力系统的安全调度和经济运行具有非常重要的意义,针对传统短期负荷预测方法具有误差大、计算复杂的问题,提出一种基于IWOA-KELM和AdaBoost的短期电力负荷预测方法。首先根据负荷历史数据,建立多个核极限学习机(KELM)短期电力负荷预测模型,并利用改进的鲸鱼算法(IWOA)去优化KELM的核函数参数和正则化系数,然后利用AdaBoost算法将多个IWOA-KELM弱预测器迭代集成强预测器,从而对短期电力负荷进行预测。实验结果表明,与BP神经网络和SVM相比,上述方法具有更短的运行时间和更好的预测性能。
（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。
短期学习论文参考文献
[1].廖文强,王江宇,陈焕新,丁新磊.基于深度学习的建筑能耗短期预测方法研究[C].2019年中国家用电器技术大会论文集.2019
[2].张文涛,马永光,董子健.基于优化核极限学习机的短期电力负荷预测[J].计算机仿真.2019
[3].周毅.本科生海外短期研修课程认定及学分转换初探——以“江苏高校学生境外学习政府奖学金项目”为例[J].教育现代化.2019
[4].赵文芳,林润生,唐伟,周勇.基于深度学习的PM2.5短期预测模型[J].南京师大学报(自然科学版).2019
[5].李大中,李颖宇,王超.基于卷积循环神经网络深度学习的短期风速预测[J].电力科学与工程.2019
[6].朱成林,李梦.短期蛙泳学习对功能动作筛查(FMS)的影响——以长江大学体育专业男生为例[J].湖北体育科技.2019
[7].李敏,黄迟.集成学习下的短期交通流预测[J].济南大学学报(自然科学版).2019
[8].雷鸣,唐李洋,叶振宇,黎川,潘李伟.一种基于深度学习的居民家庭短期用电预测方法[J].电脑知识与技术.2019
[9].马天男,王超,彭丽霖,郭小帆,付明.计及需求响应和深度结构多任务学习的电力系统短期负荷预测[J].电测与仪表.2019
[10].吴佳慧.基于VMD和改进型极限学习机的短期电力负荷预测[D].西安理工大学.2019
论文知识图
