信博文,南新元,高丙朋,张子凌,陈云翔,陈慧[1]（2021）在《基于Beta分布的空气源热泵联合蓄热器供热系统储热容量最小区间研究》文中认为在新疆偏远地区的风电场,为保证风电场建筑冬季供暖舒适性和达到弃风部分消纳的要求,提出利用弃风为空气源热泵联合蓄热器的建筑节能系统的供热模式。为达到降低成本和供暖舒适的目的,对建筑节能系统的储热容量最小区间进行计算。首先通过新疆风电数据计算风电场弃风曲线,根据建筑节能系统的性能对每日弃风进行弃风时段划分,依据弃风时段与供暖时段的匹配差异匹配蓄热器补充热量。提出基于Beta分布的储热容量分布特性的储热容量最小区间研究,并验证计算得到的最小区间的正确性。
张浩[2]（2021）在《风电功率时空不确定性预测方法研究》文中指出双碳目标下,大规模集中开发是未来我国风电开发的重要模式。但是,在此模式下风资源及其发电功率在时间和空间上将呈现复杂的耦合和聚合特性,加剧了其不确定性对电力系统安全、稳定、经济运行的不利影响。如何准确预测风电功率时空不确定性成为新能源电力系统亟待突破的关键问题。因此,以“空间联合→时序联合→时空联合→多主体数据保护时空联合”为研究思路,基于深度学习理论开展了风电功率时空不确定性预测方法研究。主要工作包括:1.提出了 Beta型深度混合密度网络（IDMDN）的短期多风电场功率不确定性预测模型,融合区域多风电场空间关联信息,同时避免了密度泄露问题。首先,以Beta分布作为基分布构建了混合密度网络模块,提出了相应的数值稳定策略;然后,结合提出的Beta型混合网络模块与深度全连接网络,建立了IDMDN模型,用于区域多风电场功率空间联合不确定性预测。采用7个风电场的实际运行数据进行模型验证,结果表明:IDMDN模型避免了密度泄露问题,能够得到符合真实情况的风电功率预测概率分布,预测效果优于几种区域总功率预测和单风电场功率预测对比方法。2.提出了多源时序注意力网络（MSTAN）的短期风电场功率不确定性预测模型,融合历史数据与多源数值天气数据,并挖掘其隐含时序依赖模式,提高了预测精度。首先,引入多源数值天气预报数据,研究了多源数值天气预报中存在的时序误差模式;其次,结合发现的时序误差模式,提出了一种多源变量注意力模块用于多源数值天气预报的动态特征提取;然后,提出了一种时序注意力模块,用于提取隐含在历史观测序列和多源数值天气预报序列中的长时依赖信息;最后,结合研究1中的混合密度网络模块和参数共享机制,建立了 MSTAN模型用于单个风电场未来1-48小时功率时序联合不确定性预测。通过3个风电场的实际运行数据对MSTAN模型进行验证,结果表明:多源数值天气预报改善了预测结果,MSTAN模型结构设计合理,其确定性预测与不确定性预测精度指标均超过了两种典型技术路线下的多种对比预测方法。3.提出了自适应时空图卷积网络（SA-STGCN）的多风电场功率时空联合不确定性预测模型,加强了对于非规则排布风电场群数据的时空特征提取能力,提升了多风电场、多时刻短期联合不确定性预测性能。首先,从空间维度拓展了研究2中提出的多源变量注意力模块,形成了多位置-多源变量筛选模块,用于多风电场、多源NWP的特征提取与数据融合;其次,提出了具备动态空间特征提取能力的自适应图卷积模块,与三维时序注意力模块相结合形成了时空特征提取模块;然后,在空间维度拓展了研究1中提出的混合密度网络模块,并在时间维度上进行参数共享;最后,建立SA-STGCN模型用于未来1-48小时的多风电场功率不确定性预测。以中国北方某风电集群实际运行数据为例进行验证分析,结果表明:SA-STGCN模型对复杂时空关联数据有更好的适应性,在多个风电场的确定性与不确定性预测结果均优于多种对比模型。4.提出了多运营主体数据保护的分割网络（SplitNN）不确定性预测模型,在数据安全的前提下间接融合多区域时空信息,提升了多个区域的超短期预测水平,显着缩短了模型训练用时。首先,总结了 Split Learning（SL）的几种典型设计模型;然后,结合SL中的 CSC（Client to Server to Client）模式和 MCS（Multi-Client to Server）模式建立了 SplitNN模型,用于多风电运营主体下的多风电场超短期功率时空联合不确定性预测。SplitNN模型以一个服务端对多个客户端的信息进行融合,多个客户端基于融合信息分别进行各自区域内的风电功率不确定性预测,从而在原始数据不出本地的情况下实现多个风电运营主体协同预测的目的。通过美国东部四州65座气象观测站的数据对所提出的模型进行验证分析,结果表明:提出的SplitNN模型提升了多个区域的超短期风速不确定性预测精度,同时缩短了训练时间。本文中提出了风电功率空间、时序、时空不确定性预测方法,提出的部分方法、技术已工程应用于区域风电场群功率预测系统中,并取得了良好预测效果。
赵晓艳[3]（2021）在《基于交叉验证的AUC度量的置信区间的研究》文中提出在统计机器学习研究中,算法性能度量贯穿于模型评估和模型选择的整个过程,因此算法性能度量的研究是该领域一个非常重要的研究方向。一般而言,常用的算法性能度量主要包括三大类,一是基于错误率的算法性能度量,二是基于混淆矩阵的算法性能度量,三是基于统计显着性检验的算法性能度量。其中,基于混淆矩阵的算法性能度量在实际应用中尤为广泛使用。基于混淆矩阵的常用算法性能度量包括准确率、召回率、F1度量、敏感度、特异度等。然而,这些度量指标或是基于单个阈值给出,易受到类别不均衡和分类错分代价不同等的影响,或是可能会出现一个度量指标高,而另一个度量指标低的矛盾情形。为此,文献中提出了对分类变化不敏感的ROC曲线以及基于ROC曲线面积的AUC度量。鉴于被广泛应用于各个领域的AUC度量的优越性,本篇论文对AUC度量的置信区间进行了详细研究。特别地,注意到AUC度量的研究往往只是考虑它的点估计问题,这样会因为没有考虑其方差,导致结果的不稳定。同时,注意到大多数文献中皆基于Wilcoxon-Mann-Whitney检验方法来进行AUC度量的估计,然而Wilcoxon-Mann-Whitney检验是一种非参数统计方法,它没有假定数据分布,从而易导致结果不准确。因此,本篇论文通过考虑AUC度量的近似分布进行了AUC度量的置信区间的研究,具体的工作和创新点如下:1.提出了给定单个阈值和多个阈值两种情形下基于不同交叉验证（K折交叉验证、组块3×2交叉验证）的AUC度量。本文充分考虑AUC度量的原始定义并结合交叉验证技术,通过逐个增加阈值个数的方法,给出了给定单个阈值和多个阈值两种情形下基于不同交叉验证的AUC度量,实验分析论证了该度量的准确性和合理性。2.在给定单个阈值和多个阈值两种情形下,分别提出了基于交叉验证Beta分布的AUC度量的置信区间。传统AUC度量的置信区间常常是基于正态假定构造的,比如基于交叉验证t分布的AUC度量的置信区间,基于校正的交叉验证t分布的AUC度量的置信区间等。很显然这些置信区间是对称的,然而通过分析发现AUC度量的分布实际上是（0,1）区间上的偏态分布,此时简单地利用对称分布去近似AUC度量的分布是不合适的,且由它构造的AUC度量的对称置信区间往往表现出低的置信度或长的区间长度。另外,由对称分布构造的AUC度量的置信区间对AUC度量的估计很可能会超出（0,1）区间范围,从而容易导致错误的统计推断结果,本文的实验结果也论证了这一点。因此,本文在给定单个阈值和多个阈值两种情形下,分别提出了基于交叉验证Beta分布的AUC度量的置信区间。进一步,通过大量的模拟和真实数据实验验证了,相对于传统的基于交叉验证t分布以及校正的交叉验证t分布的AUC度量的对称置信区间,本文提出的方法具有更短的区间长度和更高的置信度。
李梦雅[4]（2021）在《基于NB-IoT海量接入方案的研究》文中指出自NB-IoT（Narrow-Band Internet of Things,窄带物联网）技术提出以来,各项技术标准逐步得到完善,当前已经成为低功耗广域物联网中最具潜力的技术之一。在与各领域逐渐实现深度融合的过程中,NB-IoT设备将被大规模部署,考虑到NB-IoT系统的180KHz有限频谱资源,海量设备接入时将有可能发生资源竞争现象,使系统出现接入拥塞,从而导致网络接入量降低、资源浪费等问题。因此,本文尝试从NB-IoT接入方案的研究出发,缓解海量设备接入对系统造成的压力,改善系统性能。首先,本文考虑NB-IoT系统单小区的海量设备接入场景,在Beta分布下,提出一种前导码二次利用接入方案。提出各时隙设备能耗度定义,并以此将设备采用平均能耗度和累计能耗度两种分组方式划分到高能耗度、低能耗度设备组中;定义动作集合与状态集合,根据当前时隙的状态-动作对计算奖励值,选定最大奖励值所对应的动作为下一时隙动作,以此确定下一时隙中分配到高能耗设备组的前导码数量需要增加或减少,考虑为高能耗度设备组优先分配前导码,在保证高能耗度设备组接入的前提下,将高能耗度设备组中冲突前导码与剩余前导码共同分配到低能耗度设备组中,实现冲突前导码的二次利用。仿真结果表明,该方案的性能要优于传统随机接入方案,且优于ACB（Access Class Barring,接入类别限制）机制下的系统性能。然后,本文基于ACB机制,提出一种前导码冲突缓解接入方案。首先使用ACB机制限制接入设备数,为所有通过ACB机制的设备配置重传计数器,在每个时隙确定该时隙待接入设备中是否包含重传设备（重传计数器不为零的设备）,若包含则根据重传计数器数值将重传设备划分到两个重传设备组T2和T1,非重传设备划分到一个非重传设备组T0,考虑优先为T2和T1分配前导码,剩余可用前导码再分配到T0中。与传统分配方案中认为竞争到相同前导码的设备均为失败不同,各组前导码分配时,采用冲突避免的前导码分配方案,各组中分配到相同前导码的竞争设备中重传次数最高的设备成功竞争到该前导码,以保证系统各时隙分配出的前导码被完全利用,从而改善系统接入性能。仿真结果表明,该方案能够显着提高NB-IoT系统的接入成功率,且重传率不会随接入设备数增加而大幅增加,即不会牺牲系统延迟性能。将上述两种接入方案对比后发现,两种方案各有优势,前者更适用于对能耗度或设备寿命要求较高场景,后者在对吞吐量要求较高的场景下更能发挥其性能。
刘济寒[5]（2021）在《基于概率潮流的输电线路利用情况评价方法研究》文中研究表明准确评价输电线路利用情况对电网规划与运行具有十分重要的意义。随着以太阳能、风能为代表的可再生能源的大规模并网,给输电线路利用情况评价工作带来了前所未有的挑战与困难。本文利用概率方法综合考虑可再生能源与随机负荷的波动性等不确定性因素给电网规划与运行带来的影响,基于概率潮流对输电线路利用情况开展评价研究工作。针对该问题,本文在广泛查阅相关文献资料的基础上,基于蒙特卡罗模拟法概率潮流、条件概率理论、综合评价决策方法等开展论文相关工作。首先,归纳总结了概率潮流的基础理论、基础模型与方法等,详细描述了蒙特卡罗模拟法的基本原理、计算步骤及精度分析等。其次,针对负荷不确定性,对比研究了基于经典分布和非参数核密度估计的负荷概率模型。再次,针对光伏出力不确定性,结合光伏出力特性与现有单变量核密度估计模型的不足,提出了基于条件概率和两变量核密度估计的光伏出力概率模型。在此基础上,针对光伏出力的时序抽样中存在的问题,建立了基于舍选抽样方法的光伏时序随机样本抽样模型。然后,针对输电线路利用情况评价问题,构建了涵盖电源送出线、主网架线和负荷馈供线的综合评价指标体系及其评价方法。最后,利用MATLAB软件对IEEE39节点系统数据进行仿真计算,结果验证了本文模型与方法的有效性和可行性。
詹明君[6]（2020）在《行为流视角下的产品动态竞争市场结构研究 ——基于贝叶斯推断模型》文中研究说明随着消费时代的到来,当下市场环境竞争异常激烈,企业往往绞尽脑汁于获取更高的竞争优势以占据更大的市场,对于新兴的企业则往往挣扎于生存问题;这很大程度归因于消费者日益增长的差异化和个性化以及消费能力。因此,企业管理者关心的问题是如何打造自身的品牌,提高自身的产品竞争力的同时满足消费者的异质性需求,而这与产品开发,产品定位至产品营销环环相扣。传统地闭门造车式的管理策略已不再有效,即市场仅由开发商决定,消费者的购买选择不具备主动性。然而,以消费者为中心的商业时代已经到来,简单地以企业自身为中心构思以为消费者会喜欢的产品已经不具备优势。幸运的是,点击流数据的可用性为此提供了机会并获得了学者和从业者的关注。尽管如此,学者们多集中于产品的页面级分析,往往忽略了产品级内容以及行为蕴藏的潜在信息。因此本文将点击流数据中消费者对产品的操作行为构成的数据定义为行为流数据,并结合产品页面的内容进一步探索消费者行为的影响。产品市场与消费者是相呼应的关系,即供给侧与需求侧的关系。如上所述,产品的开发、定位和营销已不仅仅由供给侧决定,洞察消费者的需求才可吸引消费者并有效抵御消费者流失的风险。消费者需求实现过程被划分为阶段性决策过程已得到共识,即在产品全集（通用集）下,消费者意识到并进行了搜索和浏览的产品构成了意识集,而消费者有进一步考虑购买的产品构成了其考虑集,从考虑集中进一步明确的购买备选项构成其选择集,最终完成购买这一过程。可见,考虑集的概念因其定义可知产品具有较大的选择可能性而被广泛应用。然而,消费者的需求是实时变化的,即消费者的考虑集也存在动态性,因此捕获消费者的真实动态性需求是一项艰巨的挑战。本文以介入度理论,贝叶斯理论,消费者记忆效应和时间窗口效应,以及考虑集理论围绕产品市场结构分析展开研究。本文遵循理论研究、模型构建、数据收集和数据分析的研究步骤推进。首先,相比于页面级分析,本研究基于消费者细化决策序列通过行为实验收集消费者基于产品级的购物数据,并结合介入度理论探讨消费者在某个产品上的购买可能性与其整个购物决策过程之间的关系,在产品级数据的基础上,更深层地探索产品属性以及优化工具对消费者购买行为的影响。其次,提出CBBI（consumer-behavior-based intelligence model,CBBI）模型,考虑消费者历史经验作为先验信息并改进贝叶斯模型构建改进BLR模型,进一步通过加入滑动时间窗口的概念刻画消费者记忆效应的动态性,动态地识别产品级的全局竞争市场结构,并进一步通过聚类和可视化的方法描述产品局部的子市场竞争结构。最后,通过引入考虑集理论,结合滑动时间窗口效应和改进BLR模型构建消费者考虑集,并进一步利用产品的共现关系刻画以考虑集为局部的产品竞争市场结构。研究结果表明:（1）消费者在某个产品上的购买可能性与其整个购物决策过程是密切相关。并非所有的优化工具对于消费者的购买行为具有积极且显着的影响,特别是排序工具。此外,消费者高度关注产品属性。（2）相比于静态贝叶斯模型,通过加入消费者的记忆效应改进BLR模型,通过MAE和RMSE分析得知改进BLR模型的表现优于静态贝叶斯模型。（3）产品的销量由于消费者的记忆效应具有时期依赖性,且结合基于其他产品类别的鲁棒性分析,可确定在电子商务平台上,考虑消费者记忆效应以预测产品销量时,5天为最佳时间窗口期,并且在所有类别中都具有一般性。（4）点击行为和浏览时间对产品销量有显着的负向影响;产品加入收藏夹或加入购物车行为意味着该产品在市场中更有可能具备更大的竞争力。此外,消费者将产品移除购物车的行为对产品销量存在着显着的积极作用。（5）提出的CBBI模型基于消费者的异质性反馈可以更好地描述产品的市场结构（全局）以及子市场结构（局部）。（6）基于意识集或消费者的购物车构建考虑集存在局限性,基于时间窗口效应和改进BLR模型提出一个构建考虑集的有效方法。（7）在意识集中,考虑集范围内的产品集合与未列入考虑范围内的产品集合中的产品分布呈现着不同的规律。（8）基于考虑集构建的产品局部市场竞争关系密切。某些产品虽然竞争对手少,但具有很强的竞争优势,且这些产品与其他少数甚至一个产品具有强烈的竞争关系,占据着主要市场。而多数考虑程度较大的产品都与整体集中在一起,这意味着这些产品的竞争对手数量庞大,但占据着暂时性主导位置。以上研究发现随着时间窗口的移动具有动态适应性。
王钰,赵晓艳,杨杏丽,李济洪[7]（2020）在《基于K折交叉验证Beta分布的AUC度量的置信区间》文中研究表明在统计机器学习研究中,基于K折交叉验证的AUC （Area Under ROC Curve）度量常常被用作分类算法性能的评价.然而,点估计显然没有考虑方差的信息,为此,基于正态假定的K折交叉验证t分布构造的AUC度量的通用对称置信区间（区间估计）被提出.但是,这些对称置信区间往往表现出低的置信度或长的区间长度,从而容易导致激进的（liberal）统计推断结果.通过对AUC度量的理论分析,发现AUC度量的真实分布实际上是非对称的,此时简单使用对称分布去近似它显然是不合适的.因此,针对二类分类问题,本文提出了一种新的基于K折交叉验证Beta分布的AUC度量的非对称置信区间,在模拟和真实数据实验上验证了提出的置信区间相对于传统的基于K折交叉验证t分布的对称置信区间的优越性.
仇国华[8]（2020）在《基于改进PSO算法优化BP神经网络的重名作者消歧方法研究》文中研究指明随着科学技术的发展,文献数量急剧增多,在大量文献中,作者重名现象不仅会降低检索的效率和准确度,也会影响知识检索与调研工作的进度,因此对重名作者的消歧工作迫在眉睫。为了提高重名作者消歧的准确率,本文提出了一种基于人工神经网络的消歧算法,神经网络模型具有强大的非线性映射能力,可以对多维复杂问题进行分类预测。具体的研究内容包括以下几个方面:（1）文献数据集的构建与特征选取依据。本文首先给出文献记录的获取方式以及数据集的形成过程,其次依据不同属性特征对于重名作者消歧具有不同的影响程度,通过相应算法选取消歧能力较强的属性。测试结果表明Email、合作作者、期刊、研究方向、单位、英文名、毕业院校、邮编具有较好的区分效果。分析特征的属性对改进消歧算法和提高作者识别准确度及效率有一定的指导作用。（2）基于Beta分布动态惯性权重的粒子群（Particle Swarm Optimization,PSO）算法。传统PSO算法容易早熟收敛至局部最优,不具有突变跳出局部陷阱的能力。为此,本文提出了基于Beta分布的惯性权重,采用随机策略动态调整权重的大小,以提高算法全局搜索的能力,实验结果证明,改进后的PSO算法平均收敛结果更好,也为进一步优化神经网络打下基础。（3）改进PSO算法优化BP（Back Propagation）神经网络模型。PSO算法具有快速收敛特性,可以为BP神经网络训练出一组较为接近真值的初始权值和阈值。首先利用改进后的PSO算法优化BP神经网络的初始权值和阈值,之后使用优化好的初始权值和阈值继续训练BP神经网络模型,经过多次反向传播迭代过程,最终得到一个在测试集上表现性能最佳的模型。（4）实验结果对比与分析。在同一测试集上,将本文采用的基于BP神经网络的消歧方法与基本特征合集的文本聚类算法、字符串模糊匹配算法、稀疏特征分类算法、基于均方误差邻接矩阵聚类算法进行比较。实验结果显示,本文采用的算法在重名作者消歧问题上的表现性能有所提高,消歧结果的准确率达到了 88.4%,验证了算法的有效性。
闫玉杰[9]（2020）在《Beta分布在风功率预测条件误差中的适用性研究》文中研究指明
于新磊[10]（2020）在《基于随机几何的移动异构网络性能分析》文中指出随着移动互联网、物联网、云计算等新技术的快速发展,虚拟现实、智能交通、工业物联网、远程医疗、智慧城市等丰富多样的新兴业务不断涌现,导致移动数据业务流量爆炸性增长。为了提高网络承载能力,第五代移动通信（5G）网络一方面在热点区域密集化部署不同类型的基站提升网络容量,另一方面,通过引入网络虚拟化、不同接入网络异构融合等新技术实现动态组网模式和智能资源适配,满足不同应用场景下个性化、定制化的服务需求。然而,工业物联网、自动驾驶、远程医疗、大规模机器通信等5G典型应用对移动网络的可靠性提出了更高的性能要求,而当前针对移动网络的可靠性理论及新技术研究是5G增强网络（B5G）研究面临的关键难题之一。本论文主要基于随机几何理论针对移动异构网络的可靠性理论及分析开展研究,重点解决以下难题:（1）异构网络密集化导致小区间干扰更加复杂且强度大,加剧了网络可靠性保障及提升的难度,同时可靠性分析也缺乏基本理论支撑;（2）异构多层组网导致网络节点分布更加随机化,与传统六边形蜂窝模型差异显着,实际部署缺乏理论建模指导。本文基于随机几何理论,以成功概率与Meta分布为出发点,构建移动异构网络可靠性性能分析的理论框架模型,以此为基础深入开展移动异构网络的可靠性能分析研究。文中首先针对“空域协作”组网场景开展表征网络平均可靠性的成功概率分析,又针对更广泛的“空域协作”组网技术开展链路可靠性的Meta分布分析。然后,进一步研究空-时域互相结合的“空时协作”组网场景,分析该场景下表征链路可靠性的Meta分布。最后,将Meta分布理论分析框架模型从单用户场景拓展到多用户场景,理论上首次推导出多用户（或位置）的联合Meta分布,并将该理论应用于物理层安全、多用户协作场景的理论分析。本文的主要研究内容及创新点总结如下:（1）文中构建了移动异构网络的随机几何分析方法理论框架模型,基于此开展了“空域协作”组网场景下移动异构网络协同多点传输/接收（Coordinated multipoint transmission/reception,CoMP）相干联合传输（Joint transmission,JT）方式的网络平均可靠性分析研究。文中首先基于成功概率和Meta分布的基本概念构建了理论分析框架模型,分析了Gil-Pelaez方法、Beta近似方法等几种Meta分布的有效计算方法,通过Meta分布与成功概率的对比,证明了 Meta分布包含更细粒度的链路可靠性信息。然后,针对移动异构网络下行链路,构建异构协作网络数学模型,定义一般用户和最坏情况用户两类典型用户模型,理论分析了表征网络平均可靠性的成功概率等基础性能指标。利用随机几何理论分析支持相干JT的一般用户和最坏情况用户的信干比（Signal-to-interference ratio,SIR）性能;利用Alzer不等式等数学定理,推导出成功概率的上界和近似解。最后,通过数值计算和蒙特卡洛仿真验证了所推导理论上界的准确性,为实际网络部署提供了理论指导。（2）针对移动异构网络“空域协作”组网场景,首次分析推导出移动异构网络不同基站协作组网方式的Meta分布。本文将（1）所构建的异构协作网络模型推广到多种不同的下行CoMP协作组网技术,包括JT和动态节点选择/静默（Dynamic point selection/blanking,DPS/DPB）。文中基于Meta分布性能指标重点分析了 JT和DPB结合的更具有一般普适性的技术方案JT-DPB等。首先,推导出一般用户和最坏情况用户条件成功概率的b阶矩;然后,给出JT-DPB方案两类用户的平均本地时延,观察到平均本地时延从有限值跳变到无限值的相位转移现象,并给出其发生相位转移的临界值;最后,利用Gil-Pelaez方法和Beta近似方法通过b阶矩求解,并分析上述多种不同协作组网方案的Meta分布。理论分析结果表明,相较于成功概率,Meta分布提供了更精细化的链路级可靠性信息,能更显着呈现多种协作组网方式的性能差异,并揭示了不同方案的优势以及不同网络参数对其性能的影响。（3）针对空、时域互相结合的“空时协作”组网场景,提出“空域协作”JT-DPB和“时域协作”混合自动重传请求（Hybrid automatic repeat request,HARQ）相结合的组网方案,首次推导出移动异构网络不同类型HARQ技术表征链路可靠性性能的Meta分布。针对移动异构网络下行链路,文中推导出Type-IHARQ（独立尝试）和Type-Ⅱ HARQ（追逐合并）两类HARQ技术与“空域协作”JT-DPB的相互结合方案下两类用户条件成功概率的b阶矩,并利用Beta近似方法由b阶矩获得Meta分布的分析结果。针对Type-Ⅱ HARQ,构建了一种简化的异构网络模型,并给出了 b阶矩的紧密上界,仿真验证了该模型具有良好的精确性和普适性。最后,理论分析结果显示空时协作之间的平衡组合可以达到最佳的用户链路性能;协作集基数越大,简化异构网络模型近似效果越好;与Type-Ⅰ HARQ相比,Type-Ⅱ HARQ在重传次数为2的情况下具有与重传次数为3的Type-Ⅰ HARQ相当的性能,为实际网络的空时协作组网应用提供了链路可靠性的理论支持。（4）针对多用户无线组网场景,将Meta分布理论分析模型从单用户场景拓展到多用户场景,理论上首次推导出多用户（或位置）的联合Meta分布,还将该理论应用于物理层安全、多用户协作接收场景的理论分析。文中首先给出n阶联合Meta分布、联合条件成功概率和简化的n阶乘积Meta分布的一般化定义。重点研究两用户的2阶乘积Meta分布在一维、二维泊松蜂窝网络中的相关性质,推导出联合条件成功概率的b阶矩,为乘积Meta分布提供基础分析方法。然后,开展了 2阶联合Meta分布理论在物理层安全和协作接收方面的理论应用研究,主要关注下行链路。针对物理层安全场景,构建典型合法用户和附近的窃听者的联合性能分析模型,推导出条件机会安全频谱接入概率的Meta分布。针对多用户协作场景,分析推导出其条件协作成功概率的Meta分布。理论分析结果表明,对于较大的SIR门限,不能忽略用户之间的SIR相关性,联合Meta分布分析框架能够支持在涉及多个链路时对无线网络进行精确的性能分析,对实际网络部署具有重要意义。当窃听者与合法用户之间的距离增加时,网络的链路可靠性也会提高,并且逐渐接近无保密通信约束的Meta分布。
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。
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
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。
| 0 引言 |
| 1 利用弃风的空气源热泵供热模式 |
| 2 建筑供热热量和弃风时段计算 |
| 2.1 供暖设计热负荷 |
| 2.2 弃风时段统计 |
| 3 Beta分布模型与最小置信区间求解 |
| 3.1 Beta分布模型建立 |
| 3.2 Beta分布的最小概率区间 |
| 3.3 最小置信区间的求解 |
| 4 算例分析 |
| 5 结论 |
| 摘要 |
| ABSTRACT |
| 缩写符号汇总 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 风电功率时空不确定性预测研究现状 |
| 1.2.1 风电功率不确定性预测 |
| 1.2.2 考虑时空相关性的风电功率预测 |
| 1.2.3 主要问题总结 |
| 1.3 论文研究思路 |
| 1.4 论文研究内容与框架 |
| 第2章 基于改进深度混合密度网络的短期风电功率空间联合不确定性预测 |
| 2.1 引言 |
| 2.2 混合密度网络及密度泄露问题 |
| 2.2.1 原始混合密度网络 |
| 2.2.2 密度泄露问题 |
| 2.3 基于BETA分布的改进深度混合密度网络 |
| 2.3.1 Beta分布及其性质 |
| 2.3.2 改进深度混合密度网络的结构 |
| 2.3.3 数值稳定策略 |
| 2.4 算例分析 |
| 2.4.1 数据介绍 |
| 2.4.2 评价指标与对比方法 |
| 2.4.3 模型设置 |
| 2.4.4 确定性预测结果对比 |
| 2.4.5 概率预测结果对比 |
| 2.4.6 密度泄露对比 |
| 2.4.7 训练时间对比 |
| 2.4.8 讨论 |
| 2.5 结论 |
| 第3章 基于多源时序注意力网络的短期风电功率时序联合不确定性预测 |
| 3.1 引言 |
| 3.2 多源NWP及其时序误差模式 |
| 3.2.1 单源NWP与多源NWP对比 |
| 3.2.2 多源NWP的时序误差模式 |
| 3.3 多源时序注意力网络模型 |
| 3.3.1 问题描述与模型整体框架 |
| 3.3.2 多源变量注意力模块 |
| 3.3.3 残差模块 |
| 3.3.4 时序注意力模块 |
| 3.3.5 混合密度网络模块 |
| 3.3.6 损失函数与训练方法 |
| 3.3.7 各模块间关系 |
| 3.4 算例分析 |
| 3.4.1 数据集介绍 |
| 3.4.2 对比模型介绍 |
| 3.4.3 模型设置 |
| 3.4.4 评价指标 |
| 3.4.5 确定性预测结果分析 |
| 3.4.6 概率预测结果分析 |
| 3.4.7 误差显着性评估 |
| 3.5 小结 |
| 第4章 基于自适应时空图卷积网络的短期风电功率时空联合不确定性预测 |
| 4.1 引言 |
| 4.2 自适应时空图卷积 |
| 4.2.1 问题定义 |
| 4.2.2 自适应时空图卷积网络整体框架 |
| 4.2.3 多位置-多源变量注意力模块 |
| 4.2.4 时空特征提取模块 |
| 4.2.5 时空混合密度网络模块 |
| 4.2.6 损失函数和优化方法 |
| 4.3 算例分析 |
| 4.3.1 数据与评价准则 |
| 4.3.2 对比模型介绍 |
| 4.3.3 模型设置 |
| 4.3.4 确定性预测结果 |
| 4.3.5 不确定性预测结果 |
| 4.4 讨论 |
| 4.5 小结 |
| 第5章 考虑数据保护的超短期风电功率时空联合不确定性预测 |
| 5.1 引言 |
| 5.2 SPLIT LEARNING |
| 5.3 分割网络-SPLITNN |
| 5.3.1 网络模型结构 |
| 5.3.2 客户端与服务端训练过程 |
| 5.4 算例分析 |
| 5.4.1 数据描述 |
| 5.4.2 评价指标 |
| 5.4.3 SplitNN与单区域建模方案对比 |
| 5.4.4 SplitNN与集中式方案对比 |
| 5.4.5 讨论 |
| 5.5 小结 |
| 第6章 结论与展望 |
| 6.1 论文总结 |
| 6.2 论文创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
| 中文摘要 |
| ABSTRACT |
| 第一章 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 常见算法性能度量的研究现状 |
| 1.2.2 ROC曲线及其AUC度量的研究现状 |
| 1.2.3 交叉验证技术的研究现状 |
| 1.3 本文研究内容及方法 |
| 1.4 文章结构 |
| 第二章 基于交叉验证的AUC度量 |
| 2.1 基于混淆矩阵的常见算法性能度量 |
| 2.2 ROC曲线 |
| 2.3 AUC度量 |
| 2.3.1 单个阈值情形的AUC度量 |
| 2.3.2 多个阈值情形的AUC度量 |
| 2.4 基于交叉验证的微平均AUC度量 |
| 2.4.1 基于K折交叉验证的微平均AUC度量 |
| 2.4.2 基于组块3×2交叉验证的微平均AUC度量 |
| 2.5 基于交叉验证的宏平均AUC度量 |
| 2.5.1 基于K折交叉验证的宏平均AUC度量 |
| 2.5.2 基于组块3× 2交叉验证的宏平均AUC度量 |
| 2.6 本章小结 |
| 第三章 基于交叉验证的AUC度量的置信区间 |
| 3.1 基于交叉验证t分布的AUC度量的对称置信区间 |
| 3.2 基于校正的交叉验证t分布的AUC度量的对称置信区间 |
| 3.3 单个阈值情形的基于交叉验证Beta分布的AUC度量的置信区间 |
| 3.3.1 基于K折交叉验证Beta分布的AUC度量的置信区间 |
| 3.3.2 基于组块3×2交叉验证Beta分布的AUC度量的置信区间 |
| 3.4 多个阈值情形的基于交叉验证Beta分布的AUC度量的置信区间 |
| 3.5 本章小结 |
| 第四章 实验分析 |
| 4.1 模拟数据实验 |
| 4.1.1 单个阈值情形多种置信区间技术的对照实验 |
| 4.1.2 多个阈值情形多种置信区间技术的对照实验 |
| 4.2 真实数据实验 |
| 4.2.1 单个阈值情形多种置信区间技术的对照实验 |
| 4.2.2 多个阈值情形多种置信区间技术的对照实验 |
| 4.3 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
| 个人简况及联系方式 |
| 摘要 |
| Abstract |
| 缩略语 |
| 第一章 绪论 |
| 1.1 选题研究背景及意义 |
| 1.2 国内外相关研究动态 |
| 1.2.1 NB-IoT发展现状 |
| 1.2.2 部署应用场景 |
| 1.2.3 海量接入研究动态 |
| 1.3 本文主要工作与贡献 |
| 1.4 论文组织结构 |
| 第二章 NB-IoT系统及关键技术概述 |
| 2.1 NB-IoT系统概述 |
| 2.1.1 网络架构 |
| 2.1.2 部署方案 |
| 2.2 NB-IoT接入概述 |
| 2.2.1 接入过程 |
| 2.2.2 RRC连接建立过程 |
| 2.3 前导码结构 |
| 2.4 上行资源调度 |
| 2.4.1 NPUSCH格式 |
| 2.4.2 上行资源调度 |
| 2.5 PRACH资源和前导选择 |
| 2.6 本章小结 |
| 第三章 基于Beta分布的前导码二次利用接入方案 |
| 3.1 相关工作 |
| 3.2 系统模型 |
| 3.3 基于Beta分布的前导码二次利用接入方案 |
| 3.3.1 方案设计 |
| 3.3.2 具体方案步骤 |
| 3.4 数值仿真结果与分析 |
| 3.4.1 参数设置 |
| 3.4.2 数值结果与分析 |
| 3.5 本章小结 |
| 第四章 基于ACB机制的前导码冲突缓解接入方案 |
| 4.1 相关工作 |
| 4.2 系统模型 |
| 4.2.1 ACB机制 |
| 4.2.2 动态ACB因子 |
| 4.2.3 退避重传 |
| 4.3 基于ACB机制的前导码冲突缓解接入方案 |
| 4.3.1 方案设计 |
| 4.3.2 具体方案步骤 |
| 4.4 数值仿真结果与分析 |
| 4.4.1 参数设置 |
| 4.4.2 数值结果与分析 |
| 4.5 本章小结 |
| 第五章 主要结论与展望 |
| 5.1 主要结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 附录:作者在攻读硕士学位期间的研究成果 |
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 概率潮流研究现状 |
| 1.2.2 输入变量概率建模研究现状 |
| 1.2.3 输电线路利用情况评价方法研究现状 |
| 1.3 本文研究思路 |
| 1.4 本文主要研究工作 |
| 第2章 基础理论 |
| 2.1 引言 |
| 2.2 概率潮流计算 |
| 2.2.1 概率潮流计算数学模型 |
| 2.2.2 概率潮流求解方法 |
| 2.2.3 概率潮流对抽样方法的要求 |
| 2.2.4 概率潮流具体应用 |
| 2.3 蒙特卡罗模拟法 |
| 2.3.1 蒙特卡罗原理 |
| 2.3.2 蒙特卡罗相关抽样方法 |
| 2.3.3 蒙特卡罗计算步骤 |
| 2.3.4 蒙特卡罗精度分析 |
| 2.4 本章小结 |
| 第3章 考虑时间相关性的光伏出力-负荷概率建模 |
| 3.1 引言 |
| 3.2 经典概率模型 |
| 3.2.1 基于正态分布的负荷概率模型 |
| 3.2.2 基于参数分布的光伏出力概率模型 |
| 3.3 基于非参数核密度估计的概率模型 |
| 3.3.1 核密度估计法的基本原理 |
| 3.3.2 核密度估计拟合模型 |
| 3.4 光伏出力概率模型 |
| 3.4.1 相关理论 |
| 3.4.2 多变量核密度估计模型 |
| 3.4.3 基于条件概率和两变量核密度估计的光伏出力概率模型 |
| 3.5 随机抽样 |
| 3.5.1 样本生成 |
| 3.5.2 测试数据 |
| 3.6 本章小结 |
| 第4章 基于概率潮流的输电线路利用情况评价方法 |
| 4.1 引言 |
| 4.2 基础评价理论 |
| 4.2.1 评价指标体系构建原则 |
| 4.2.2 指标体系综合评价方法 |
| 4.2.3 层次分析法计算步骤 |
| 4.3 输电线路利用情况评价模型 |
| 4.3.1 电源送出线利用情况评价模型 |
| 4.3.2 主网架线利用情况评价模型 |
| 4.3.3 负荷馈供线利用情况评价模型 |
| 4.3.4 输电线路整体利用情况评价模型 |
| 4.4 算法流程 |
| 4.5 本章小结 |
| 第5章 算例计算与分析 |
| 5.1 算例介绍 |
| 5.1.1 测试网络 |
| 5.1.2 输入变量 |
| 5.2 计算结果 |
| 5.3 结果分析 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 现实背景 |
| 1.1.2 理论背景 |
| 1.2 研究意义 |
| 1.2.1 理论意义 |
| 1.2.2 实践意义 |
| 1.3 研究目标和研究内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 研究方法和技术路线 |
| 1.4.1 研究方法 |
| 1.4.2 技术路线 |
| 1.4.3 论文结构 |
| 第二章 文献综述 |
| 2.1 电商平台产品级因素相关研究 |
| 2.1.1 电商平台优化工具相关研究 |
| 2.1.2 电商平台的产品属性研究 |
| 2.2 产品市场结构研究 |
| 2.2.1 产品市场结构的定义 |
| 2.2.2 市场结构识别方法论 |
| 2.3 基于点击流数据的商务智能分析 |
| 2.4 线上消费者考虑集形成和考虑可能性计算研究 |
| 2.4.1 线上消费者考虑集形成研究 |
| 2.4.2 线上消费者考虑可能性计算研究 |
| 2.5 文献研究述评 |
| 2.6 本章小结 |
| 第三章 贝叶斯推断:以二项式比例推断为例 |
| 3.1 符号说明 |
| 3.2 贝叶斯推断 |
| 3.2.1 贝叶斯定理 |
| 3.2.2 模型与数据的应用 |
| 3.2.3 贝叶斯推断的目标 |
| 3.3 基于纯数学分析的二项式比例推断 |
| 3.3.1 似然函数:伯努利分布 |
| 3.3.2 beta分布 |
| 3.4 基于数值逼近的二项式比例推断 |
| 3.5 基于Metropolis抽样的二项式比例推断 |
| 3.6 基于Gibbs抽样的双变量二项式比例推断 |
| 3.6.1 后验分布推导——数学分析法 |
| 3.6.2 后验分布推导——数值逼近法 |
| 3.6.3 后验分布推导——MCMC方法 |
| 3.7 本章小结 |
| 第四章 消费者产品级异质性对其购买决策的影响 |
| 4.1 引言 |
| 4.2 基于消费者购物过程的分类方案 |
| 4.3 模型构建 |
| 4.4 数据描述 |
| 4.4.1 行为实验设计 |
| 4.4.2 数据预处理 |
| 4.4.3 数据描述 |
| 4.5 数据结果分析 |
| 4.6 结果讨论 |
| 4.7 本章小结 |
| 第五章 基于滑动时间窗口的产品竞争市场结构识别 |
| 5.1 引言 |
| 5.2 模型构建 |
| 5.2.1 改进BLR模型 |
| 5.2.2 评价指标 |
| 5.3 数据描述 |
| 5.3.1 行为流数据和描述 |
| 5.3.2 假设检验以及最佳时间窗口值确定 |
| 5.4 竞争市场可视化分析 |
| 5.5 改进BLR模型参数估计 |
| 5.6 结果讨论 |
| 5.6.1 主要发现 |
| 5.6.2 理论贡献 |
| 5.6.3 管理启示 |
| 5.7 本章小结 |
| 第六章 基于消费者考虑集的局部竞争市场结构分析 |
| 6.1 引言 |
| 6.2 考虑集模型构建 |
| 6.3 数据描述 |
| 6.3.1 行为流数据描述 |
| 6.3.2 异质性行为反馈先验估计结果 |
| 6.4 考虑集构建 |
| 6.4.1 考虑集阈值区间 |
| 6.4.2 考虑集构建 |
| 6.5 基于考虑集的产品市场结构分析 |
| 6.6 本章小结 |
| 结论与展望 |
| C.1 研究主要结论 |
| C.2 研究的主要创新点 |
| C.3 研究的管理启示 |
| C.4 研究局限与未来展望 |
| 参考文献 |
| 攻读学位期间取得与学位论文相关的成果 |
| 致谢 |
| 摘要 |
| Abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 主要研究内容 |
| 1.4 本文的组织结构 |
| 2 相关知识和技术概述 |
| 2.1 引言 |
| 2.2 重名消歧的相关概念及定义 |
| 2.3 重名作者消歧相关技术 |
| 2.4 本章小结 |
| 3 样本数据集的构建与特征选取 |
| 3.1 引言 |
| 3.2 样本数据集的构建 |
| 3.3 过滤式选择特征 |
| 3.4 本章小结 |
| 4 基于Beta分布动态惯性权重的PSO算法 |
| 4.1 引言 |
| 4.2 基于Beta分布的动态惯性权重 |
| 4.3 算法流程 |
| 4.4 算法仿真实验 |
| 4.5 本章小结 |
| 5 基于改进BP神经网络的作者重名消歧算法 |
| 5.1 引言 |
| 5.2 基于改进PSO算法的BP神经网络模型 |
| 5.3 实验结果及分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 进一步工作和展望 |
| 参考文献 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 5G愿景与需求 |
| 1.1.2 移动通信网络组网的发展趋势 |
| 1.1.3 网络性能分析的问题与挑战 |
| 1.2 相关研究现状及本文研究出发点 |
| 1.2.1 随机几何在无线通信网络中的应用 |
| 1.2.2 Meta分布的相关研究进展 |
| 1.3 论文主要研究内容及创新点 |
| 1.4 论文组织结构 |
| 第二章 移动异构网络的随机几何分析方法及应用 |
| 2.1 移动异构网络的随机几何分析方法——成功概率与Meta分布 |
| 2.1.1 成功概率与Meta分布的基本概念 |
| 2.1.2 Meta分布与成功概率的对比 |
| 2.1.3 条件成功概率的矩和平均本地时延 |
| 2.1.4 Meta分布的有效计算方法 |
| 2.1.5 空间中断容量 |
| 2.2 基于成功概率的异构协作网络建模与性能分析 |
| 2.2.1 异构协作网络系统模型 |
| 2.2.2 标准成功概率上界分析 |
| 2.2.3 数值结果及分析——上界及近似的紧密性 |
| 2.3 本章小结 |
| 第三章 基于Meta分布的移动异构网络基站协作性能分析 |
| 3.1 引言 |
| 3.2 异构协作网络系统模型 |
| 3.2.1 异构协作网络模型 |
| 3.2.2 一般用户和最坏情况用户 |
| 3.3 JT-DPB的Meta分布 |
| 3.3.1 JT-DPB的SIR模型 |
| 3.3.2 条件成功概率的b阶矩 |
| 3.3.3 平均本地时延 |
| 3.3.4 Meta分布及其Beta近似 |
| 3.4 DPS/DPB的Meta分布 |
| 3.4.1 DPS/DPB的SIR模型 |
| 3.4.2 条件成功概率的矩 |
| 3.4.3 Meta分布及其Beta近似 |
| 3.5 Meta分布结果分析 |
| 3.5.1 Meta分布与标准成功概率 |
| 3.5.2 不同CoMP技术方案的比较 |
| 3.5.3 协作集中元素数目的影响 |
| 3.6 本章小结 |
| 第四章 基于Meta分布的移动异构网络空时协作性能分析 |
| 4.1 引言 |
| 4.2 系统模型 |
| 4.2.1 异构协作网络模型 |
| 4.2.2 一般用户和最坏情况用户 |
| 4.2.3 HARQ模型 |
| 4.3 Type-Ⅰ HARQ性能分析 |
| 4.3.1 一般用户P_s(τ)的b阶矩 |
| 4.3.2 最坏情况用户P_s(τ)的b阶矩 |
| 4.4 Type-Ⅱ HARQ性能分析 |
| 4.4.1 简化异构网络模型 |
| 4.4.2 基于简化异构网络模型的SIR分析 |
| 4.4.3 条件成功概率的b阶矩 |
| 4.5 数值结果及分析 |
| 4.6 本章小结 |
| 4.7 附录: 定理4.3证明 |
| 第五章 多用户联合Meta分布及其安全、协作场景的应用 |
| 5.1 引言 |
| 5.2 联合Meta分布及乘积Meta分布的定义 |
| 5.3 泊松网络的乘积Meta分布 |
| 5.3.1 泊松网络的系统模型 |
| 5.3.2 联合条件成功概率的矩 |
| 5.3.3 距离的分布 |
| 5.3.4 乘积Meta分布的数值结果 |
| 5.4 多用户联合Meta分布在物理层安全场景的应用 |
| 5.4.1 条件OSSA概率及其Meta分布 |
| 5.4.2 条件OSSA概率的矩 |
| 5.4.3 数值结果与分析 |
| 5.5 多用户联合Meta分布在协作接收场景的应用 |
| 5.5.1 条件协作成功概率及其Meta分布 |
| 5.5.2 数值结果与分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 附录 缩略语表 |
| 致谢 |
| 攻读学位期间发表的术论文目录 |
