基于PSO-ELM的射频功率放大器行为建模

为了有效地解决原始极限学习机算法中由于网络输入参数选择的随机性而引起的在射频功放行为建模应用中的建模精度不理想以及不稳定的问题,粒子群优化的极限学习机算法首次被引入到射频功率放大器的行为建模当中.利用粒子群优化方法来选择原始极限学习机算法中单隐藏层前馈神经网络的输入参数(包括输入权重和偏置).对E类射频功放的行为建模实验结果表明,粒子群优化的极限学习机可以有效改进原始极限学习机对射频功率放大器的外部行为的建模和预测能力.     

汽油辛烷值近红外光谱检测的改进极限学习机建模方法

为提高近红外光谱法检测汽油辛烷值的精度,该文提出一种汽油辛烷值近红外光谱检测的改进极限学习机(i ELM)新型建模方法。该算法融合了极限学习机算法(ELM)与基于变量投影重要性系数的改进叠加偏最小二乘回归(VIP-SPLS)模型算法,有效解决了ELM模型隐含层输出矩阵维数高和高度共线性的问题。采用该算法对汽油辛烷值的近红外光谱检测数据进行建模,发现改进极限学习机模型的精度比现有的偏最小二乘回归模型和极限学习机模型分别提高20.0%和29.3%,验证了方法的有效性。实验表明,该文方法可用于汽油辛烷值的近红外光谱检测,检测精度良好。     

采用限定记忆极限学习机的过热汽温逆建模研究

针对常规极限学习机随着学习次数增加增益矩阵慢慢趋于零、学习算法逐渐失去修正能力而出现"数据饱和"的问题,提出了限定记忆极限学习机算法。该算法在学习过程中每增加一个新数据信息,就去掉一个旧数据信息,权值的学习只依赖于限定个数的最新数据信息,从而避免出现"数据饱和"。通过分析隐含层数据矩阵的特点,利用分块矩阵计算方法推导了限定记忆极限学习机在线学习算法。将该算法应用于参数时变的过热汽温对象逆模型的辨识,仿真实验结果表明:该算法能有效克服"数据饱和"问题,提高计算精度,是一种实用有效的过热汽温对象逆建模算法。     

分布式环境中基于核函数的极限学习机

针对海量数据规模下的集中式核函数极限学习机的性能问题,将基于核函数的极限学习机扩展到云计算技术框架下,提出了基于MapReduce的分布式核函数极限学习机MR-KELM.该算法将分布式径向基核函数计算出的核函数矩阵进行分布式矩阵分解,并通过分布式矩阵向量乘法得到分类器输出权重,减小了网络通讯和数据交换代价.实验结果表明,MR-KELM算法能够在不影响基于核函数的极限学习机的计算理论的前提下,具有较好的可扩展性和分类训练性能.     

基于结构自组织ELM的铝热连轧轧制力预测

轧制力在铝热连轧中起着重要作用,针对热轧过程中的非线性、参数强耦合性等因素使得其难以建模的问题.本文提出一种具有拓扑结构自组织的极限学习机(Topology Self-Organizing Extreme learning machine,TSO-ELM)算法,解决了ELM的结构设计问题,实现了结构和参数的自组织.根据现场数据,使用TSO-ELM算法进行铝热连轧轧制力预测,结果表明该算法与人工蜂群算法优化反向传播神经网络(Artificial bee colony algorithm optimized Back-propagation neural network,ABC-BP)和增强型增量极限学习机(Enhanced random search based incremental extreme learning machine,EI-ELM)算法对比,其训练速度和精度都得到了一定的提高.     

小波核极限学习机及其在醋酸精馏软测量建模中的应用

传统的机器学习算法一般通过迭代进行参数寻优,导致学习速度慢,且容易陷入局部最小值。针对这个问题,提出了一种基于小波核函数的极限学习机(KEML)的软测量建模方法,将支持向量机(SVM)中核函数的思想运用到极限学习机(EML)中,避免了SVM训练速度慢以及ELM算法不稳定的缺点。将KEML算法运用于醋酸精馏的软测量建模问题中,仿真实验结果验证了该算法的学习速度是SVM的92倍,且算法的精度以及模型的泛化能力都有所提高。     

基于改进人工蜂群算法和极限学习机的刀具磨损监测

为了提高机械切削加工中刀具磨损量的实时监测精度,运用极限学习机建立刀具磨损监测模型,提出一种引入虚拟蜂的改进人工蜂群算法,对极限学习机随机产生的输入层权值和隐含层阈值进行优化。采用时域分析和经验模态分解,提取铣削加工中的切削力信号、振动信号以及声发射信号的时域特征和内禀模态能量比,从中选出对刀具磨损敏感的特征作为监测特征。利用建立的监测模型计算得到刀具磨损值,实验结果表明,优化后的极限学习机能够准确地预测刀具磨损值,且具有更简单的网络结构,同时改进后的蜂群算法也表现出了更好的寻优能力。     

基于混沌灰狼优化算法的氧化铝质量指标预测模型

针对氧化铝焙烧过程具有强非线性、检测滞后等特点,提出一种基于混沌灰狼优化算法(CGWO)参数优化在线贯序极限学习机(OSELM)的氧化铝质量预测模型。在基于机理分析和变量相关性分析的基础上,选择氧化铝质量指标预测模型的输入变量,采用在线序贯极限学习机的方法建立模型,并利用改进的混沌灰狼优化算法得到最优的初始权值和隐含层偏差,实现焙烧过程氧化铝质量预测建模。采用工业过程数据对提出的方法进行实验验证,仿真结果表明:所建立的预测模型具有更好的精度,从而验证了方法的有效性。     

函数型数据分析与优化极限学习机结合的弹药传输机械臂参数辨识

为实现弹药传输机械臂中不可测参数的辨识,建立了机械臂的虚拟样机,并将其作为样本数据的来源;考虑到样本数据的连续性和平滑特性,使用函数型数据分析和函数型主成分分析对样本数据进行了特征提取,并利用提取的特征参数和待辨识参数作为训练样本对极限学习机(ELM)进行了训练.为提高极限学习机的辨识精度和泛化能力,利用粒子群算法对极限学习机的输入层与隐含层的连接权值和隐含层节点的阈值进行了优化.最后,分别利用仿真数据与测试数据对此方法进行了验证,仿真数据的辨识结果表明,优化后的极限学习机具有更高的辨识精度和泛化能力;同时,通过对比将测试数据的辨识结果代入模型中进行仿真得到的支臂角速度与测试角速度,验证了此方法的可行性和有效性.     

基于粒子群优化算法的最优极限学习机

针对极限学习机隐含层神经元个数选取的问题,提出以粒子群优化算法搜索最佳隐含层神经元个数,用极限学习机模型的测试准确率作为粒子群优化算法适应值的方法(PSO-ELM)。基于手写数字数据集digits分别对比了随机设置隐含层神经元个数的极限学习机、用粒子群算法优化的极限学习机输入权重和隐层偏置的极限学习机(PSO-ELM)、传统的BP算法以及SVM算法对手写数字的识别率,对比结果表明,粒子群优化算法得到的隐含层神经元个数在极限学习机中拥有较高的准确率。     

基于优化核极限学习机的泥石流危险性评估

山区环境中泥石流的孕育受多种因素的影响,为提高泥石流危险性的预测精度,提出一种萤火虫算法(firefly algorithm, FA)优化核极限学习机(kernel based extreme learning machine, KELM)的预测模型。首先,针对数据维度爆炸的问题,通过主成分分析(principal component analysis, PCA)数据降维,使得留有大部分致灾特征信息的因子输入训练模型;然后,使用萤火虫优化算法更新核极限学习机的参数,将四川省北川县监测数据输入优化后的预测模型,并与其他传统机器学习算法进行对比分析,验证该算法的优越性;最后,使用多种指标综合评估模型的预测效果。结果表明,FA-KELM模型能够有效地简化数据结构,提高泥石流危险性预测的准确性,为泥石流灾害预测方面的研究提供参考和借鉴。     

基于角度分布的高维数据流异常点检测算法

为了有效检测高维数据流中的异常点,提出一种基于角度分布的高维数据流异常点检测(DSOD)算法.运用基于角度分布的方法准确识别高维数据集中的正常点、边界点以及异常点;构造了基于正常集、边界集的小规模数据流型计算集,以降低算法在空间以及时间上的开销;建立了正常集、边界集的更新机制,以解决大数据流的概念转移问题.在真实数据集上的实验结果表明,所提出的DSOD算法的效率高于Simple VOA算法与ABOD算法,并且适用于大数据流上的异常点检测.     

基于CPA-OSELM的热轧带钢厚度在线预测

为解决自动厚度控制（automatic gauge control,AGC）系统反馈滞后、耦合强、厚度偏差大等问题,本文提出了一种基于食肉植物算法（carnivorous plant algorithm, CPA）的在线顺序极限学习机（online sequential extreme learning machine, OSELM）预测算法。首先,基于从现场采集的相关数据,建立了OSELM在线厚度预测模型。然后为了提高模型的准确性及稳定性,采用CPA方法优化OSELM的权重和偏置。在此基础上,运用自学习方法进一步提高模型的预测精度。最后,通过实验验证基于CPA-OSELM预测模型的有效性。实验结果表明：基于CPA-OSELM的方法能够对不同规格带钢的出口厚度进行高精度在线预测,预测结果可用于提升AGC模型的控制精度,为提升带钢产品质量奠定基础。     

基于加权余弦相似度与极限学习机的电力负荷短期预测

为提高电力系统管理的效率,提出一种基于加权余弦相似度与极限学习机(extreme tearning machine, ELM)的电力负荷短期预测设计。通过熵权法对电力负荷相关物理信息进行权重分配,获得的权重赋予到余弦相似度中,利用加权余弦相似度对历史日与待测日的电负荷数据进行相似度选取,筛选数据作为极限学习机的输入,提高极限学习机回归模型的精度,最终获取电力负荷预测。实验分析与反向传播BP(back propagation)神经网络、支持向量机(spupport vector machine, SVM)预测算法对比,该方法能有效提高预测模型的精度,同时简化计算量。     

ELM岭回归软测量建模方法

ELM(极限学习机)是一种新型的前馈神经网络,可有效处理函数的回归问题.针对ELM学习算法隐含层输出可能存在的复共线性问题,提出了ELM岭回归(ELMRR)软测量建模方法.该算法利用岭回归方法代替原有的线性回归算法,以误差平方和均值为性能指标,采用粒子群优化算法确定最佳岭参数,克服了传统岭回归算法最佳岭参数难以确定的缺...     

基于随机森林-遗传算法-极限学习机的非侵入式负荷识别方法

提高负荷识别准确率是实现非侵入式负荷监测的关键技术。针对现有模型识别准确率低,特征冗余度高、可分性较差的问题,提出一种基于随机森林(RF)和遗传算法优化极限学习机(GA-ELM)的负荷识别方法。首先从稳态电流信号中提取时域和频域信息作为负荷特征。为进一步减小特征集的冗余度并剔除可分性较差的特征,使用随机森林算法对特征进行优选,得到最优特征集。最后使用遗传算法优化极限学习机的权值和偏置参数,建立负荷识别模型。利用所建立的模型对11个家用电器共16种负荷状态进行识别,实验结果表明,所提模型可以提高识别准确率,使用该模型可以对家用负荷进行快速有效识别。     

基于核极限学习机的负荷多粒度预测模型

台区负荷数据不仅作为时序数据呈现自相关性,还易受台区环境因素影响呈现非平稳性,因此预测精度不仅与预测模型结构有关,还与输入数据的时序特征有关。为了提高台区负荷的预测精度,提出一种基于混沌时序分析与核极限学习机的短期负荷多粒度预测模型。针对负荷数据的非平稳特征,通过变分模态分解算法将非平稳的原始信号转换成一系列相对平稳的子信号;针对负荷数据中的自相关特征,通过混沌时序分析方法,求解各个模态输入预测模型时的时间窗大小;构建多粒度核极限学习机预测模型,解决负荷数据中非平稳、自相关性对负荷预测的不利影响,提高模型的预测精度。结果表明,负荷的预测精度受输入数据时间窗大小的影响,不同模态分量的最佳时间窗的大小不同。采用混沌相时序分析的方法评估各个模态分量的最佳时间窗大小,可以有效提升核极限学习机的预测精度。     

基于ELM的蛋白质二级结构预测及其后处理

将ELM应用到蛋白质二级结构模型的训练中,在此基础上提出了基于概率的合并算法(probability-based combining,PBC),用该算法预测结果的合并.根据生物学中关于蛋白质二级结构的特征提出了预测结果的Helix-后处理(Helix-post-processing,HPP)算法,对合并后的预测结果进行有效的后处理,从而进一步提高预测结果的准确率.分别在CB513和RS126两个数据集上进行了实验,实验结果表明,预测结果的准确率是令人满意的,尤其是实现了训练时间上的显著缩短.     

基于改进Fisher准则与极限学习机集成的图像隐写分析

集成分类器是目前图像隐写分析中广泛使用的分类器。针对集成分类器中基分类器受离群样本影响较大,集成策略效果不佳的缺点,提出一种基于改进Fisher准则与极限学习机集成的图像隐写分析算法。首先,通过重新定义类内散度矩阵以提高Fisher准则模型的准确性,之后基于改进的Fisher准则并使用Bagging算法训练若干基分类器,最后使用极限学习机作为元分类器来建立基分类器集合与正确决策之间的联系。实验结果表明,在不同的隐写算法与嵌入率的条件下,与传统集成分类器和基于选择性集成的集成分类器相比,所提算法降低了3.5%与1.8%的检测错误率,说明能够有效提高集成分类器的检测精度。     

云模型和集成极限学习机相结合的滚动轴承故障诊断方法

针对轴承振动信号的不确定性和非平稳性以及BP神经网络学习算法收敛速度慢、稳定性差等问题,提出了基于云模型和集成极限学习机的滚动轴承故障模式识别方法.将经预处理之后的信号进行云化,产生滚动轴承在不同状态下的信号云;提取出决定信号云分布的期望、熵和超熵三个参数作为表征轴承状态的特征量并依此构造出原始的轴承状态数据集;再将故障特征数据集经归一化处理后送入集成极限学习机进行识别.研究结果表明:云-集成极限学习机方法可以有效地实现轴承故障模式识别,与传统神经网络识别方法相比,该方法拥有更高的识别准确率和稳定性,并且集成极限学习机在抗噪性方面有较好的表现.