期刊导航
期刊开放获取
vip
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
重大疫情下社区韧性治理能力深度迁移学习评价方法
1
作者
陈闻鹤
常志朋
+2 位作者
周涵婷
程龙生
文卜玉
《中国管理科学》
北大核心
2025年第8期100-111,共12页
在面对重大疫情的基层应急管理体系构建中,社区韧性治理能力对稳定社区居民情绪、组织社区生活、增强风险抵抗力具有重要作用。在大数据背景下,重大疫情下的社区韧性治理能力评价模型存在样本量不足、部分样本评价困难、特征提取依赖人...
在面对重大疫情的基层应急管理体系构建中,社区韧性治理能力对稳定社区居民情绪、组织社区生活、增强风险抵抗力具有重要作用。在大数据背景下,重大疫情下的社区韧性治理能力评价模型存在样本量不足、部分样本评价困难、特征提取依赖人工经验、评价模型最优参数确定难等问题,导致现有机器学习评价方法难以做出准确评价。因此,本文提出结合数据增强和深度迁移学习方法的新型评价方法,该方法使用峰值聚类改进自适应过采样方法(DPAS)和迁移学习方法(TL)从数据增扩和“预训练-微调”两方面提升模型在样本数量不足时的训练效能;采用GoogLeNet网络通过Inception模块自动提取评价指标用于样本识别,并引入多分类焦点损失(MFL)函数聚焦难分类样本损失结果;同时,利用多目标黏菌优化算法(MOSMA)优化超参数,进一步提升模型性能。实例数据验证表明,本文提出方法的评价性能高于其他传统评价方法,通过消融实验和敏感性分析证明了其结构的合理性。
展开更多
关键词
迁移学习(TL)
多目标黏菌优化算法(
mosma
)
数据增强
社区韧性治理
重大疫情
原文传递
基于DWT-MOSMA-SVM的多目标优化短期母线负荷预测
被引量：
20
2
作者
陈逸枞
张大海
+1 位作者
李宇欣
王颖
《电力建设》
CSCD
北大核心
2023年第3期49-55,共7页
母线负荷基数小,波动性和不确定性大,随着光伏、风电等可再生能源的接入,母线负荷受天气等随机性因素的影响增加,母线负荷的高精度预测受到很大影响。针对小样本场景下母线负荷预测问题,提出了一种基于离散小波变换-多目标黏菌算法-支...
母线负荷基数小,波动性和不确定性大,随着光伏、风电等可再生能源的接入,母线负荷受天气等随机性因素的影响增加,母线负荷的高精度预测受到很大影响。针对小样本场景下母线负荷预测问题,提出了一种基于离散小波变换-多目标黏菌算法-支持向量机(discrete wavelet transformation-multiple objective slime mould algorithm-support vector machine, DWT-MOSMA-SVM)的多目标优化短期母线负荷预测方法。首先采用离散小波变换对母线负荷数据进行处理;然后兼顾预测的精度和稳定性两个目标函数,采用多目标黏菌算法对支持向量机的惩罚因子和核函数参数进行优化;最后在优化所得的Pareto前沿面上选择Pareto最优解,以此搭建支持向量机(support vector machine, SVM)预测模型进行训练,并将预测结果与长短期记忆网络(long short-term memory, LSTM)、未优化的SVM以及多目标黏菌算法(multi-objective slime mold algorithm, MOSSA)优化的SVM模型预测结果进行对比。实验结果表明,提出的MOSMA-SVM模型的预测精度和稳定性更佳。
展开更多
关键词
母线负荷预测
支持向量机(SVM)
多目标黏菌算法(
mosma
)
多目标优化
原文传递
题名
重大疫情下社区韧性治理能力深度迁移学习评价方法
1
作者
陈闻鹤
常志朋
周涵婷
程龙生
文卜玉
机构
安徽师范大学经济管理学院
安徽工业大学商学院
南京理工大学经济管理学院
兰卡斯特大学工程学院
辽东学院信息工程学院
出处
《中国管理科学》
北大核心
2025年第8期100-111,共12页
基金
安徽省哲学社会科学规划基金重点项目(AHSKZ2020D02)。
文摘
在面对重大疫情的基层应急管理体系构建中,社区韧性治理能力对稳定社区居民情绪、组织社区生活、增强风险抵抗力具有重要作用。在大数据背景下,重大疫情下的社区韧性治理能力评价模型存在样本量不足、部分样本评价困难、特征提取依赖人工经验、评价模型最优参数确定难等问题,导致现有机器学习评价方法难以做出准确评价。因此,本文提出结合数据增强和深度迁移学习方法的新型评价方法,该方法使用峰值聚类改进自适应过采样方法(DPAS)和迁移学习方法(TL)从数据增扩和“预训练-微调”两方面提升模型在样本数量不足时的训练效能;采用GoogLeNet网络通过Inception模块自动提取评价指标用于样本识别,并引入多分类焦点损失(MFL)函数聚焦难分类样本损失结果;同时,利用多目标黏菌优化算法(MOSMA)优化超参数,进一步提升模型性能。实例数据验证表明,本文提出方法的评价性能高于其他传统评价方法,通过消融实验和敏感性分析证明了其结构的合理性。
关键词
迁移学习(TL)
多目标黏菌优化算法(
mosma
)
数据增强
社区韧性治理
重大疫情
Keywords
transfer learning(TL)
multi-objective
slime
mould
algorithm
(
mosma
)
data augmentation
community resilience governance
major epidemic
分类号
D035 [政治法律—政治学]
原文传递
题名
基于DWT-MOSMA-SVM的多目标优化短期母线负荷预测
被引量：
20
2
作者
陈逸枞
张大海
李宇欣
王颖
机构
北京交通大学电气工程学院
出处
《电力建设》
CSCD
北大核心
2023年第3期49-55,共7页
基金
国家自然科学基金青年基金项目(52107067)。
文摘
母线负荷基数小,波动性和不确定性大,随着光伏、风电等可再生能源的接入,母线负荷受天气等随机性因素的影响增加,母线负荷的高精度预测受到很大影响。针对小样本场景下母线负荷预测问题,提出了一种基于离散小波变换-多目标黏菌算法-支持向量机(discrete wavelet transformation-multiple objective slime mould algorithm-support vector machine, DWT-MOSMA-SVM)的多目标优化短期母线负荷预测方法。首先采用离散小波变换对母线负荷数据进行处理;然后兼顾预测的精度和稳定性两个目标函数,采用多目标黏菌算法对支持向量机的惩罚因子和核函数参数进行优化;最后在优化所得的Pareto前沿面上选择Pareto最优解,以此搭建支持向量机(support vector machine, SVM)预测模型进行训练,并将预测结果与长短期记忆网络(long short-term memory, LSTM)、未优化的SVM以及多目标黏菌算法(multi-objective slime mold algorithm, MOSSA)优化的SVM模型预测结果进行对比。实验结果表明,提出的MOSMA-SVM模型的预测精度和稳定性更佳。
关键词
母线负荷预测
支持向量机(SVM)
多目标黏菌算法(
mosma
)
多目标优化
Keywords
bus load forecasting
support vector machine(SVM)
multiple-objective
slime
mould
algorithm
(
mosma
)
multi-objective optimization
分类号
TM715 [电气工程—电力系统及自动化]
原文传递
题名
作者
出处
发文年
被引量
操作
1
重大疫情下社区韧性治理能力深度迁移学习评价方法
陈闻鹤
常志朋
周涵婷
程龙生
文卜玉
《中国管理科学》
北大核心
2025
0
原文传递
2
基于DWT-MOSMA-SVM的多目标优化短期母线负荷预测
陈逸枞
张大海
李宇欣
王颖
《电力建设》
CSCD
北大核心
2023
20
原文传递
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
