针对圆筒型永磁直线电机提出了使用二代非支配排序遗传算法（NSGA-Ⅱ）优化其功率和效率。首先根据电机的二维有限元模型，计算电流、电压等参数；其次利用敏感参数法建立以气隙长度等为变量的优化模型，并计算电机的电磁参数；再对电磁参数数据训练，以NSGA-Ⅱ为优化算法的多目标优化模型，优化电机的功率和效率；最后根据优化结果加工出了MTS100kN万能试验机。样机实验结果验证了所提出的多目标优化设计方法和性能分析的正确性。
针对政务文本分析语境复杂、分类准确率低的问题,提出基于BERT词嵌入和BiLCNN-Attention混合模型的文本分类方法.首先采用BERT模型对政务文本进行词嵌入向量表示,然后混合使用双向长短时记忆网络BiLSTM和卷积神经网络CNN,同时引入注意力机制进行特征提取,融合了时序特征及局部特征并使特征得到强化,最后使用Softmax进行文本分类.实验表明,BERT词嵌入处理后混合模型的准确率较CNN和BiLSTM模型分别提升了3.9％和2.51％.
为提高太阳辐照度的长序列数据预测精度,提出一种基于Transformer-LSTM及误差校正的太阳辐照度预测模型.将长距离依赖学习中更有优势的Transformer模型与能够提取数据位置信息的LSTM网络结合,并且引入误差校正机制来提高模型预测精度.对三种不同模型在不同时间步长时的预测性能进行仿真实验,结果表明,Transformer-LSTM模型在太阳辐照度预测中具有更高的预测精度,并且在长序列数据预测中具有一定优势;引入误差校正机制后的仿真实验也表明了该机制的有效性.
光伏阵列在复杂光照强度条件下,出现局部遮荫现象,导致输出特性曲线呈现多峰值状态,造成光伏系统能量转化率低下.本文提出一种基于生成对抗网络(GAN)、卷积神经网络(CNN)和门控循环单元(GRU)的混合预测模型,预先使用GAN对光伏发电原始环境数据进行数据扩充,再用CNN提取不同光伏太阳能板的环境数据特征,最后利用GRU进行最大功率点电压的预测.仿真结果表明,该混合预测模型可避免陷入局部极值的情况,可以有效提高复杂光照强度条件下的最大功率点跟踪效率.
提出一种基于粒子群优化(PSO)的随机森林(RF)识别方法.利用PSO算法搜寻最优的RF超参数n_estimators和max_depth,构建了PSO-RF人体活动识别模型.基于华盛顿州立大学CASAS项目数据集的实验共识别30种日常活动.仿真结果表明,PSO-RF模型的识别准确率达到95％,Accuracy、Precision、Recall和F1-score评价指标均优于其他经典的分类模型,具有较好的预测精度和泛化能力,可为智能家居系统个性化服务提供辅助决策.
