针对传统移动边缘计算系统中的计算用户存在由于密集障碍物遮挡、地形结构等导致的通信信道中断以及未充分利用系统空闲资源, 难以完成低延迟和低功耗的密集型计算任务问题, 建立了无人机辅助的终端直通协同移动边缘计算系统。该系统中, 计算用户通过建立地面直连链路将部分任务卸载给空闲用户, 空闲用户利用自身的计算资源辅助计算的同时将剩余计算任务卸载给配置移动边缘计算服务器的无人机进行计算。通过建立新系统的数学模型, 提出了一种基于深度确定性策略梯度算法的计算卸载策略。在满足无人机电量、用户移动范围等约束的前提下, 联合优化双卸载率和无人机的机动性, 使计算任务处理延时最小化。在模拟的连续状态空间环境中进行仿真测试, 结果表明, 提出的卸载计算策略优化方案能实现协同网络内资源的高效利用, 与其他基线算法方案相比, 能有效降低任务处理时延。

针对微振动检测设备结构复杂与检测误差大的问题, 提出了一种基于微球超透镜和边缘滤波器的自混合干涉仪。利用UV(Ultraviolet Curing Adhesive) 胶在光纤探头尖端形成微球, 当微球受到光纤的光照射时, 会出现光子纳米射流现象。光子纳米射流聚焦在目标物体表面增强目标物体到微球表面的反射光。光子纳米射流产生的倏逝场对近场表面的纳米振动检测具有重要的增强和锐化作用。 在传感器末端利用马赫鄄曾德尔 边缘滤波器将幅度调制信号转换为频率调制信号, 进一步增加其信噪比。实验结果表明, 该方法的重构误差为27nm, 对光学器件的小型化具有重要意义。

针对 SLAM(Simultaneous Localization and Mapping)系统在长时间运行时存在运动畸变和误差累积的问题,提出了一种基于 Lidar-Iris 构建全局描述符进行回环检测的建图方法 IRIS-LOAM(Lidar-Iris Based Lidar Odometry and Mapping in Real-Time)。 该算法在 LOAM 算法基础上, 在数据处理部分, 将激光雷达数据与 IMU( Inertial Measurement Unit)数据融合, 并使用 IMU 数据对点云数据进行校正; 在建图优化部分, 利用基于信息矩阵的图优化算法, 采用 Lidar_Iris 全局描述子对关键帧进行回环检测, 并对输入点云进行预处理, 提高优化的时间效率。 将优化算法与 A_LOAM 进行实验对比, 结果显示IRIS-LOAM在不同实地场景下都取得了较好的建图效果, 且具有良好的可行性和实用性。

由于大数据通常来自不同的数据源, 具有不同的格式、结构和质量, 且其中包含大量的冗余特征, 因而在进行特征集成分类时, 这些因素均会影响数据分类精度, 为此, 设计一种深度学习模式下大数据特征集成分类算法。基于深度学习模式建立医疗大数据特征提取模型, 针对模型训练过程中会引入大量噪声, 特征提取结果含有部分无关特征信息, 影响特征集成分类结果的问题, 采用堆叠稀疏降噪编码器抑制无关特征, 即使用散度函数、贪婪算法找出训练最佳参数, 运用损失函数将特征空间无关特征稀疏掉, 得到实际数据特征。通过Auto-encoder 网络搭建特征集成分类模型, 借助类型约束函数、目标函数得出各类全局最佳集成中心, 完成数据特征集成分类。实验结果表明, 所提方法在医疗大数据的分类中得到很好效果, 宏平均值在 0. 95 以上, 且分类速度快, 表明所提方法的分类性能较好。

为区分变分模态分解(VMD: Variational Mode Decomposition)分解后的有效分量和噪声分量, 并提高 VMD的去噪效果, 提出了一种VMD与豪斯多夫距离(HD: Hausdorff Distance) 结合的去噪算法(VMD-HD-VMD)。首先利用 VMD将原始信号分解为K个固有模态函数(IMF:Intrinsic Mode Function), 分别计算 IMF分量的概率密度函数的 HD 值, 并根据 HD 值区分有效分量与噪声分量。然后将噪声分量再次进行 VMD 分解, 利用相关系数选取出有效分量, 并与第 1 次分解的有效分量进行重构。 最后将此方法应用于管道泄漏信号的去噪。仿真实验和管道泄漏信号处理结果表明, 相比集合经验模态分解 ( EEMD: Ensemble Empirical Mode Decomposition)、VMD、VMD 联合小波去噪, 该方法取得了更好的去噪效果。

由于单一传感器的质子磁力仪极易受地磁日变、环境干扰等影响, 为提高质子磁力仪测量精度, 对传感器设计和系统性能评估进行了分析研究。首先, 基于MAXWELL 电磁仿真软件建立螺线管、柱形、环形以及"8"冶形线圈等4种传感器的仿真模型, 对4种线圈的方向性、抗干扰能力等进行分析, 最终确定以"8"冶形线圈作为传感器, 构建质子磁梯度仪。其次, 基于4阶差分与均方差算法分别对单路测量结果与差分测量结果进行评估, 以分析磁梯度仪性能。实验结果表明, "8"冶形线圈传感器的初始信号信噪比可达 40 / 1, 磁力仪单路模式灵敏度可达0.054 nT, 双路差分模式的灵敏度即使在强干扰条件下仍可达 0. 071 nT, 为单路模式的√2倍。

为有效提升图书信息资源服务智能检索效率和性能, 提出一种基于机器学习算法的图书信息资源服务智能检索方法。采用机器学习算法对图书的关键词词频分类, 给出每个类对应的指数, 计算分类中每个文档对应的特征词权重, 经反复迭代获取特征词的评分; 建立语境特征矩阵, 计算每个类的相应得分, 并对选择得分最高的特征进行分类处理。结合图书信息资源分类结果, 引入网格计算技术构建图书信息资源服务智能检索模型, 利用其实现图书信息资源服务智能检索。实验结果表明, 使用所提方法进行图书信息资源服务智能检索时, 得到的查准率在 96. 0% 以上、查全率保持在 90% 以上、在不同数据集下的检索用时均在450 ms左右, 表明所提方法具有良好的图书信息资源服务智能检索性能。

为有效提升文本匹配生成图像的视觉效果和匹配程度, 提出一种基于改进 GAN(Generative Adversarial Network)算法的文本匹配生成图像模型。通过混合索引树对文本和图像进行初匹配; 在生成对抗网络(GAN)的基础上对其改进, 形成基于交叉注意力机制编码的对抗生成网络, 采用改进的 GAN 建立文本匹配生成图像模型。通过双向长短期记忆(LSTM: Long Short-Term Memory)网络优化模型中的交叉注意力编码器将文本信息和视觉信息进行翻译和对齐处理, 获取文本和图像之间的跨模态映射关系, 完成文本和图像之间的精细化匹配, 最终生成满足文本需求的图像。实验结果表明, 该模型可以生成图像细节与文本匹配且质量更高的图像。

目前管道泄漏检测传感器向小型化和智能化发展, 并且测量管道泄漏引起的物理量变化的技术也日益成熟。为便于管道泄漏检测技术的选择与优化, 系统综述了当前管道泄漏检测中广泛应用的压电式、光纤式和激光式等典型传感器, 重点分析了其在材料、结构及工作原理上的特点与差异。同时, 探讨了这些传感器在实际应用中的表现及国内外研究现状, 为管道泄漏检测技术的选择、 优化与未来发展提供理论支持和技术参考。

针对残差网络存在特征冗余、有效感受野不足等问题, 提出了特征融合模块。该模块可以在模型通道扩增过程中, 实现不同尺度特征融合, 从而构建出信息更丰富的多尺度特征, 提高通道利用率。并且该模块还包含了少量大核卷积, 其有助于扩大模型的有效感受野, 实现性能和计算效率的平衡。同时还提出了轻量化的下采样和混排压缩模块, 可充分降低模型的参数, 使整个方法更高效。将特征融合、下采样以及混排压缩模块引入残差网络可以构建出特征融合网络(FFNet: Feature Fusion Network)。 其具有更快的收敛速度、更大的有效感受野, 以及更好的性能表现。经在 CIFAR( Canadian Institute for Advanced Research)、 ImageNet 以及 COCO(Microsoft Common Objects in Context)数据集的大量实验结果证明了其能在仅增加少量参数和 FLOPs(Floating Point Operations)的前提下, 在分类、目标检测以及实例分割任务上使其性能显著提升。

针对如何高效挖掘交通预测中时空信息的问题, 提出了一种基于双向多注意力时空图卷积的车辆行程时间预测方法。 为提取路网的空间依赖, 通过构造基于马尔科夫链的流量转移矩阵, 提取路网中的双向交通流转移关系, 并结合图卷积学习图网络中的空间依赖关系, 利用引入注意力机制获取交通转移流量图中的局部与全局特征依赖, 最后使用多层感知机将各个特征融合得到行程时间的最终预测结果。 选择宣城路网交通数据进行模型验证试验, 结果表明, 与基线模型 STGCN( Spatio-Temporal Graph Convolutional Networks)、 ASTGCN
(Attention Based Spatial-Temporal Graph Convolutional Networks)、 A3T-GCN(Attention Temporal Graph Convolutional Network)相比, 所提模型的均方根误差(RMSE: Root Mean Square Error)分别降低了 7. 6% 、3. 7% 、9% , 表明所提出的模型在提高预测准确性方面具有显著效果。

针对影响网络链路状态因素较多, 难以精准判断网络链路状态以及即将发生拥塞的位置, 导致网络链路拥塞控制质量下降的问题, 提出基于优先级的网络链路拥塞自动控制数学建模方法。通过构建异构网络模型,并结合当前网络接口队列缓存空间的占用、变化情况对网络链路拥塞进行检测, 判断网络链路状态及即将发生拥塞的位置。通过数据申请发送机制将检测结果及时反馈至网络其他节点, 设置网络节点内高优先级突发数据包具有绝对优先级, 对网络链路突发数据包进行分割和偏射操作, 实现网络链路拥塞自动控制。实验结果表明, 该模型可有效检测当前网络链路的拥塞情况以及控制网络的拥塞程度, 具有较好的网络通信数据传输效果、阻塞率以及较好的吞吐率, 控制质量更高。

针对目前供应链隐私网络信息特征种类较多、数据密文难以被准确判定, 导致加密难度较高的问题,提出一种基于混沌序列的信息加密算法。考虑到隐私信息存在被泄露或篡改等风险, 将风险变化作为加密算法的参考特征, 通过三元联和五元联函数求解隐私信息的相同、相异以及相反风险变化特性, 获得风险指数。按照待加密信息的风险指数建立混沌序列, 通过混沌序列生成密钥序列, 计算不同种类信息对应的维数, 最后通过信息与密钥序列的混沌映射实现信息加密。实验结果表明, 所提算法对供应链隐私网络信息加密精准度高, 数据丢包率小, 能有效改善传输过程中的隐私信息泄露和丢失现象。

为确保呼吸机正常工作, 提出基于希尔伯特变换(HHT: Hilbert-Huang Transform)算法的呼吸机运行状态智能监测方法。首先采用小波神经网络对呼吸机运行信号实施去噪处理; 其次, 结合 HHT 算法将去噪后的呼吸机运行信号进行经验模态分解(EMD: Empirical Mode Decompostion), 并将分解后的内禀模式分量( IMF:Intrinsic Mode Function)进行 Hilbert 谱变换, 以此获取信号频谱作为信号特征。最后, 将得到的信号频谱放入MLP(Multi-Layer Perceptron) 神 经 网 络 分 类 器 中, 采 用 反 向 传 播 算 法 对 多 层 感 知 器 ( MLP: Multi-Layer Perceptron)神经网络进行训练, 以实现呼吸机运行状态识别。实验结果表明, 所提方法的去噪效果较好, 且监测到的结果和实际频谱一致。同时监测敏感度在 96% 以上、运行状态识别准确性在 95% 以上。表明所提方法可以有效监测呼吸机运行状态, 监测性能较好。

针对网络数据分类的关系分类器都基于同质性假设, 而基于一阶马尔可夫假设的简化处理存在一定局限性的问题, 在贝叶斯网络分类器中, 引入局部图排序激活扩散方法替代原始的直接邻域获取方法。通过设置初始能量值和最小能量阈值, 适当扩大分类时待分类节点的邻域范围,从而提高了节点的同质性。结合松弛标注的协作推理方法, 引入激活扩散的贝叶斯网络分类器 ASNBC(Activation Spreading Network Bayes Classifier)在一定程度上提高了网络数据的分类精度。与4 个网络分类器的对比实验结果表明, 该方法在6 个网络数据集上的分类精度都有不同程度的提高。

针对无人机集群空战效能评估准确性不高的问题, 提出一种基于系统动力学( SD: System Dynamics)的空战效能评估方法。以红方编队执行侦察打击任务为背景, 分析无人机空战系统内部各因素之间的相互作用关系, 建立因果关系模型和存量流量模型。基于作战效果、战斗效率和作战代价 3 个方面构建作战效能评估指标: 任务完成度、战斗效率和作战损失率。同时对空战系统的影响因素和不同装备方案下的作战效能进行研究, 最后通过仿真验证所提方法的可行性和有效性, 结果表明该方法较好地解决了评估过程中出现的复杂性和不确定性问题。

针对在寻解高维度复杂方程时, 布谷鸟算法(CS: Cuckoo Search)存在陷入局部最优的问题, 提出了一种改进的混合布谷鸟算法。首先, 利用混沌映射和反向学习机制初始化种群; 然后交替并行教与学算法(TLBO:Teaching Learning Based Optimization)和布谷鸟算法的搜索机制; 最后动态化自适应发现概率并嵌入差分进化机制(DE: Differential Evolution), 全面提升算法性能。6 个基准函数和 1 个优化光栅耦合器设计的仿真实验测试对比结果表明, 该算法在求解高维度方程时更具优势, 可有效解决 CS 算法容易陷入局部最优的问题。

为提升隧道运营的安全性与效率, 提出了基于多传感器的隧道运营风险感知方法。首先, 通过基于YOLOv7(You Only Look Once v7)的目标检测方法从视频传感器中有效检测出车流量、车速等信息, 并利用深度时序卷积网络算法实现了隧道运行风险的动态评估; 然后, 将视频传感器和烟雾、温度传感器等多元感知设备相融合, 构成火情风险监测系统, 并将多元感知设备相融合构成火情监测系统, 利用对隧道内部不同燃烧条件下的火情监控状况进行数值建模; 最后, 通过对隧道监控系统内部的温度、有毒气体浓度及烟雾的分布与发展规律进行分析, 给出隧道火灾风险态势评价。该方法已应用于山东济潍高速部分隧道中, 提升了隧道运营的安全性。

针对目前深度学习方法研究多依赖于从地震振幅等单一属性中提取断层特征, 存在断层连续性差、 断层漏检等问题, 提出了一种并行属性输入的断层智能识别方法。 该方法采用多层次融合策略构建了双属性并行融合网络(PE-Net: Parallel Elements Network)。 首先, 将蚂蚁体和振幅属性分别输入蚂蚁体和振幅特征提取网络, 利用属性密集特征模块 AIFM(Attribute Intensive Feature Module)捕捉两个路径不同角度的断层特征; 其次,利用两种属性特征模块 ANT(Ant Body Attribute Feature Extraction Module) 和 AMP(Amplitude Attribute Feature Extraction Module)对各分支的输出进行跨层特征整合, 挖掘多尺度信息并缓解尺度变化; 最后, 采用特征融合模块(FFM: Feature Fusion Module)将两条并行支路的通道整合, 减少单一属性的局限性。 合成数据结果表明,PE-Net 模型的准确率达到 97. 95% , 相较于 U-Net 模型, 精度提高 1. 33% 。 Kerry3D 的断层识别结果以及消融实验表明, 该方法能获取更多的上下文断层特征信息, 减少断层漏检和误检情况, 从而有效提高复杂断层识别的准确性, 增强小断层的识别效果。

针对由于地球物理勘探环境的复杂性日益增加, 同时受采集和处理技术的限制, 叠后地震数据的分辨率和信噪比较低的问题, 为提升其分辨率的同时实现噪声压制, 提出了一种深度增强型超分辨生成对抗网络(DESRGAN: Depth-Enhanced Super-Resolution Generative Adversarial Network)。 DESRGAN 采用轻量化后的残差密集块(LRDB: Lightweight Residual Dense Block)作为基本单元以提升训练过程的效率和稳定性; 在深层特征提取阶段, 通过通道注意力机制增强对重要特征的关注; 考虑像素之间的空间关系, 在上采样操作中, 使用
像素重组代替插值。 在模拟和实测数据上的实验结果表明, 该网络不仅能重建作为测试集的模拟数据, 而且还能很好地泛用到复杂实测数据上。 在对比经典的生成对抗网络(GAN: Generative Adversarial Network)和卷积神经网络(CNN: Convolutional Neural Network)的实验中表明, 该方法的重建结果更清晰, 并在定量分析中具有更高的峰值信噪比和结构相似性。

由于置乱和提取过程的不可逆性, 使数字媒体视频图像信息在提取过程中无法完全恢复隐藏信息, 导致信息的丢失或错误, 降低了隐藏算法的有效性。为此, 提出基于参考帧的数字媒体视频图像信息隐藏算法。首先, 采用基于限邻域的经验模式分解(NLEMD: Neighborhood Limited Empirical Mode Decomposition) 算法对数字媒体视频图像实施图像增强处理, 提高视频图像质量; 其次, 采用 Arnold 变换置乱方法对增强后的图像实施置乱变换, 完成信息隐藏的预处理; 最后, 通过基于参考帧的信息隐藏算法实现置乱后的数字媒体视频图像信息隐藏。实验结果表明, 所提方法能提升数字媒体视频图像的峰值信噪比, 隐藏信息嵌入、提取耗时较短,信息提取精度较高。

针对现有的中文命名实体识别算法没有充分考虑实体识别任务的数据特征, 存在中文样本数据的类别不平衡、 训练数据中的噪声太大和每次模型生成数据的分布差异较大的问题, 提出了一种以 BERT-BiLSTM-CRF(Bidirectional Encoder Representations from Transformers-Bidirectional Long Short-Term Memory-Conditional Random Field)为基线改进的中文命名实体识别模型。 首先在 BERT-BiLSTM-CRF 模型上结合P-Tuning v2 技术, 精确提取数据特征, 然后使用 3 个损失函数包括聚焦损失( Focal Loss)、 标签平滑( Label Smoothing) 和 KL Loss(Kullback-Leibler divergence loss)作为正则项参与损失计算。 实验结果表明, 改进的模型在 Weibo、Resume 和MSRA(Microsoft Research Asia)数据集上的 F1 得分分别为 71. 13% 、96. 31% 、95. 90% , 验证了所提算法具有更好的性能, 并且在不同的下游任务中, 所提算法易于与其他的神经网络结合与扩展。

为探究我国科技资源研究点及主题演化分析, 采用文献计量法和知识图谱分析工具, 对我国近 10 年科技资源研究论文进行统计与可视化分析。结果表明, 我国科技资源处于成长期, 中国科学技术信息研究所、国家科技基础条件平台中心、桂林理工大学等为主要发文机构, 《科技管理研究》、《中国科技资源导刊》、《科技进步与对策》为主要载文期刊, 研究热点为科技资源配置与影响因素、科技资源共享与整合、 资源共享平台和服务平台的建设, 2014 年后协同创新为研究热点, 近 3 年科技资源结构、创新链、科技资源池为前沿热点。

针对现有命名实体识别方法在识别油气勘探文本中涉及多元素组合的实体以及嵌套实体时存在一定局限性的问题, 提出了一种多特征融合的 BERT-CNN-BiGRU-Attention-CRF(Bidirectional Encoder Representations from Transformers-Convolutional Neural Network-Bidirectional Gated Recurrent Unit-Attention-Conditional Random Field)命名实体识别方法。 模型利用 BERT 的语义提取能力获取句子具有全局特征的字向量; 并利用 CNN 局部特征捕获能力消除了 BERT 字向量的局限性得到词语字符级向量; 通过自建油气勘探领域词典, 使用双向最大长度匹配方法获取了词典特征向量。 将这 3 种向量拼接作为 BiGRU-Attention-CRF 模型的输入。 实验结果表明, 在自主构建的小规模油气勘探领域数据集上, 模型的 F1值为 91. 10% , 相较于其他主流的命名实体识别方法, 该模型具有更好的识别性能, 并为油气勘探领域知识图谱构建提供了有利帮助。

随着人工智能(AI: Artificial Intelligence)技术的不断发展, 尤其是在深度学习、 图像识别和自然语言处理等领域的突破, AI 在医学影像教学中正逐步显示出其独特的优势。 为此, 对 AI 在医学影像在教学中的应用现状进行了综合分析。 结果表明, AI 不仅可以帮助学生和医务人员快速识别疾病特征, 还能提供自动化的影像分析结果, 使学习者能更直观地了解不同疾病的影像表现, 增强了学习的互动性和实践性。 并且其还能提供个性化的学习路径, 根据学生的学习进度和掌握情况, 推荐相关的教学内容或练习, 确保学习者得到量身定制的教学服务。 同时, 其高效性和精准性帮助学生能更好地理解复杂的医学影像内容, 从而提高学习效果。 随着技术的不断进步, 人工智能将在医学影像教学中发挥更大的作用。 未来的教学系统可能会更加智能化, 结合虚拟现实、 增强现实等技术, 为学生提供更加沉浸式的学习体验。

为解决当前分子诊断人才培养中存在的效率和质量问题, 探讨了人工智能(AI: Artificial Intelligence)技术在分子诊断人才培养中的应用现状及未来发展趋势。其涵盖了 AI 技术在分子诊断中的应用现状、优势与挑战, 重点分析了 AI 如何通过自动化实验流程、精准数据分析和跨学科知识整合提升人才培养效率和质量。同时, 总结了国内外高校在 AI 与分子诊断人才培养中的实践经验, 并展望了其未来发展趋势, 包括虚拟现实与增强现实技术的融合、智能诊断系统的精准化、个性化学习平台的智能化等。虽然 AI 技术在分子诊断人才培养中展现出巨大潜力, 能显著提升人才的综合竞争力, 推动分子诊断技术的进一步发展, 为精准医疗提供强有力的人才支持。然而, AI 技术的应用仍面临跨学科知识整合、数据质量、伦理隐私等多重挑战, 需通过教育机构、行业和政府的共同努力加以解决。

针对大规模路网交通流在短时间内具有高度复杂性以及非线性特征, 对交通流短时预测精度有一定影响的问题, 提出了基于改进神经网络算法的大规模路网交通流短时预测方法。利用构建大规模路网函数, 通过将路段视为路网核心, 将道路节点视为相应的连接元素实现路网函数优化。以优化后的路网函数为基础, 通过 K均值算法与 EM(Expectation-Maximization)算法结合的方式提取交通流特征。通过遗传算法与 Elman神经网络算法相结合的改进方式, 对该路网的交通流进行短时预测, 得到相关的预测结果。经实验证明, 改进的方法单点平均速度预测结果与实际值更为接近, 大规模路网交通流短时预测误差较低, 预测结果可靠性更高。

针对多媒体数字图像数据规模庞大, 在构建三维虚拟场景时, 由于深度估计的困难性, 导致三维场景重建准确性偏低的问题, 提出面向多媒体数字图像的交互式三维虚拟场景算法。 提取多媒体数字图像中的角点,将其作为初值进行棋盘格边缘搜索, 确定真实角点, 同时将全部角点作为特征点实施相机标定, 获取每张多媒体数字图像对应的相机位姿。 通过改进后的 PatchMatchNet 对参考图像进行深度估计, 经多次迭代获取输出深度图。 采用重投影的方式对深度图进行外点过滤, 并将其投影到世界坐标系内, 最终获取交互式三维虚拟场景。 实验结果表明, 所提算法可获取高准确率的交互式三维虚拟场景重建结果, 且重建时间低于50 ms。

为确保大数据稳定传输, 提出基于 5G 网络的设备大数据传输负载优化算法。分析大数据传输性能影响因素, 包括数据时延、平均带宽利用率和吞吐量。采用形态学滤波算法对大数据进行低通滤波处理, 消除数据中存在的噪声, 降低数据传输时延。动态选择大数据传输信道, 避免网络中出现数据拥塞现象, 提高网络吞吐量。在信息传输矩阵映射的基础上提高数据传输精度, 同时设计了容量扩充机制, 以此提高网络带宽利用率,完成负载优化。实验结果表明, 采用所提算法优化后, 提高了带宽利用率, 降低了网络能耗和数据传输时延。

为了更好地利用太阳能, 准确预测光伏发电功率, 提高光伏功率预测的精度, 提出了一种基于因素相关互补集合经验模态分解算法 (CEEMD: Complementary Ensemble Empirical Mode Decomposition)与优化长短期记忆网络 (LSTM: Long Short-Term Memory network)结合的光伏功率预测方法。 首先, 使用 CEEMD 算法分解光伏功率时序, 建立分解功率分量与环境因素的 Pearson 相关系数矩阵, 每个分解功率分量选取 3 个关键因素作为后续预测的输入; 其次, 利用改进麻雀群搜索算法( ISSA: Improved Sparrow Search Algorithm)优化 LSTM 网络,建立 ISSA-LSTM 算法各光伏功率分量预测模型; 然后, 将各个分解模态的预测结果叠加重构; 最后, 结合南方某地光伏电站发电功率实测数据对所提方法进行验证, 结果验证了所提方法的有效性与优越性。