开篇

3月9号,去了ThoughtWorks的郑大晔校。

在和buddy交流环节,刘旸建议我开一个技术博客。我细想,觉得确实很有必要。一来把自己学的东西表达出来会更助于理解;二来可在将来老年痴呆(在学习上,长期不用的东西,感觉过了一年我就忘差不多了)后,遇到同样的问题不用再从零开始。(顺便,这也是刘旸帮我制定计划的一部分~)

拿到ThoughtWorks的Offer后,我对自己有了一个重新的认识。我本科学的是电子信息工程,研究生学信号与信息处理,实验室主要做与数字图像处理的相关项目。在实验室做项目,一般先拿matlab做算法的验证,然后再用C++写一遍。因此,每当有人问及我的专业,我都跟人家说:“我编程的!”。后来真的签了TW这个做软件的公司,然后参加了两次公司的培训。在郑大晔校上,他们说的所有跟软件相关的东西,我或了解过或听说过或压根没听过……啊,原来我不懂软件……我感觉我再也无颜跟人家说我是编程的了……

这个博客也将记录我的成长,希望很快我能觉得现在遇到的问题都不是问题。

路漫漫其修远兮,吾将上下而求索

使用优化法,以优化VMD法的惩罚因子惩罚因子 (α) 和分解层数 (K)。 1、将量子粒子群优化(QPSO)法与变分模态分解(VMD)法结合 VMD法背景: VMD法是一种自适应信号分解法,主要用于分解信号为不同频率带宽的模态。 VMD的关键参数包括: 惩罚因子 α:控制带宽的限制。 分解层数 K:决定分解出的模态数。 QPSO法背景: 量子粒子群优化(QPSO)是一种基于粒子群优化(PSO)的一种改进法,通过量子行为模型增强全局搜索能力。 QPSO通过粒子的量子行为使其在搜索空间中不受位置限制,从而提高法的收敛速度与全局优化能力。 任务: 使用QPSO优化VMD中的惩罚因子 α 和分解层数 K,以获得信号分解的最佳效果。 计划: 定义适应度函数:适应度函数根据VMD分解的效果来定义,通常使用重构信号的误差(例如均方误差、交叉熵等)来衡量分解的质量。 初始化QPSO粒子:定义粒子的位置和速度,表示 α 和 K 两个参数。初始化时需要在一个合理的范围内为每个粒子分配初始位置。 执行VMD分解:对每一组 α 和 K 参数,运行VMD法分解信号。 更新QPSO粒子:使用QPSO法更新粒子的状态,根据适应度函数调整粒子的搜索方向和位置。 迭代求解:重复QPSO的粒子更新步骤,直到满足终止条件(如适应度函数达到设定阈值,或最大迭代次数)。 输出优化结果:最终,QPSO法会返回一个优化的 α 和 K,从而使VMD分解效果最佳。 2、将极光粒子(PLO)法与变分模态分解(VMD)法结合 PLO的优点与适用性 强大的全局搜索能力:PLO通过模拟极光粒子的运动,能够更高效地探索复杂的多峰优化问题,避免陷入局部最优。 鲁棒性强:PLO在面对高维、多模态问题时有较好的适应性,因此适合海上风电时间序列这种非线性、多噪声的数据。 应用场景:PLO适合用于优化VMD参数(α 和 K),并将其用于风电时间序列的预测任务。 进一步优化的建议 a. 实现更细致的PLO更新策略,优化极光粒子的运动模型。 b. 将PLO优化后的VMD应用于真实的海上风电数据,结合LSTM或XGBoost等模型进行风电功率预测。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值