Symmetry MDPI的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列地圖、推薦、景點和餐廳等資訊懶人包

使用粒子群優化電池儲能系統的最佳大小

為了解決Symmetry MDPI的問題，作者呂俊銘 這樣論述：

可再生能源的間歇性可能是微電網系統中的一個問題。可再生能源對天氣條件的依賴會導致能源產生的電力和所需的電力負荷之間的差異。這個問題會導致微電網系統的不穩定和系統崩潰。實施電池儲能系統（BESS）被認為是防止這些問題的解決方案之一。然而，電池儲能系統的安裝必須有一個最佳的尺寸，以盡量減少系統損失，並避免安裝費用過高。因此，本研究提出了一種尺寸確定方法，通過使用粒子群優化（PSO），以最小的總成本評估BESS的最佳尺寸。其目的是通過考慮各種技術限制，以最小的總成本獲得BESS的最佳尺寸值，其中包括年度資本成本、年度運營和維護成本。本研究還考慮了系統的可靠性，如負載損失預期（LOLE）、能量損失預

期（LOEE）和供電損失概率（LPSP）。對三種不同的電池技術（釩-氧化鋁、多硫化物-溴化物和鉛-酸）進行了調查和比較，以瞭解PSO如何在不同參數下獲得每種電池的最小尺寸。從所進行的兩個方案中發現，所提出的PSO方法可以在不同的參數下獲得三種類型電池的最佳尺寸以及最低成本。同時還得出結論，與在微電網中長期安裝其他電池相比，安裝多硫化物-溴化物BESS技術是最具成本效益的BESS。

建構基於集成分類技術且具備動態感知調控 之階層式入侵偵測研究

為了解決Symmetry MDPI的問題，作者楊忠珣 這樣論述：

隨著資訊科技及創新應用服務不斷發展，新型態攻擊手法也隨著環境演變而快速進化，隨之而來各種網路惡意攻擊活動更是層出不窮，近年來，受益於人工智慧快速發展，運用機器學習演算法學習大量數據，快速建立相應領域知識模型來判讀已知或未知攻擊，將有助於降低新型態攻擊威脅。然而，攻擊異常行為多半具有偽裝和隐藏特性，對應機器學習領域即是所謂的類別不平衡及類別重疊問題，疊加兩種問題，使得分類問題變得更複雜與困難。為解決上述困難，本論文提出具備動態感知調控的階層式集成模型架構，先以二分類模型去除不重要訓練及預測資料，簡化多分類處理資料採樣及類別重疊問題複雜度，有效縮短模型訓練時間，同時引入動態分類閾值調控機制(NC

CR)，藉由提高異常偵測敏感度，有效降低偵測漏報率，接著透過第二層多元分類模型實施過採樣及後驗機率極近鄰法(Proximity)，除了修正原本遭誤判分類，更進一步提升預測效率及多類別辨識準確度。所提出的分層堆疊架構搭配動態分類閾值(NCCR)及預測機率極近鄰(Proximity)方法，可以提升入侵偵測系統Geo(2.095%) / F1(1.43%)異常多分類總效能，包含(1)以NCCR方法降低異常類漏報率(FN)為零；(2)針對類別不平衡採用分層堆疊架構，提升Geo(0.783%) / F1(0.593%)分類準確率，減少4倍原始多分類和3倍經特徵減化模型訓練時間、1.58倍原始多分類和1.

24倍經特徵減化模型預測時間；(3)針對類別重疊，以Proximity方法提升Geo(1.315%) / F1(0.519%)分類準確率；(4)針對分類不確定性，以Margin方法篩選98.32%高信心分類品質，提升Geo(6.231%) / F1(7.903%)分類準確率。