基于增量稀疏核极限学习机的发动机状态在线预测

针对发动机状态在线预测中样本累积、预测模型膨胀和在线更新速度慢等问题,提出了基于增量稀疏核极限学习机的在线预测方法.该方法定义了KELM核函数矩阵的稀疏测量矩阵,并根据矩阵原子相干最小化和自信息量最大化的样本信息度量准则实现在线样本前向稀疏与后向删减,提高了样本稀疏化效率.利用有效样本对测量矩阵在最佳阶数内进行在线扩充与修剪,限制了预测模型膨胀.利用改进的增量建模方法对模型的核权重矩阵进行递推更新,从而建立规模有限且结构稀疏的在线预测模型,提高了在线建模速度.仿真数据和发动机状态参数在线预测实验结果表明,与现有在线预测方法相比,ISKELM具有更高的样本稀疏化和在线建模效率.对发动机排气温度进行120步预测时,预测速度分别提高了80.50%和31.72%,预测精度分别提高了48.56%和15.81%.      

基于在线核极限学习机的股票价格预测模型

为了对股票价格进行准确、快速的在线预测,提出一种在线核极限学习机算法(OL-KELM)的股票价格预测模型.首先收集股票价格数据,采用相空间重构理论建立学习样本,然后将学习样本输入在线核极限学习机中进行学习,建立股票价格预测模型,最后对国药股份(600511)股票收盘价进行仿真实验.结果表明,相对于其他股票价格预测模型,OL-KELM提高了股票价格预测的准确性,可以准确地刻画股票价格的变化趋势.     

基于增量稀疏核极限学习机的柴油机故障在线诊断

为实现柴油机故障在线诊断,提出了基于增量稀疏核极限学习机(ISKELM)的快速在线诊断方法.针对核在线学习中的样本稀疏化与模型膨胀问题,提出了基于瞬时信息测量的稀疏核函数字典构造策略,根据最小化字典冗余和最大化字典元素自信息量的原则实现样本前向稀疏与后向删减,在最佳阶数内对字典进行在线扩充与修剪,从而建立阶数有限且结构稀疏的诊断模型.针对模型核权重矩阵更新问题,提出了增样学习与改进减样学习算法对核权重矩阵进行在线递推求解,降低了计算复杂度,提高了模型在线更新速度.UCI标准数据与柴油机故障数据分类实验结果表明,与几类现有在线诊断算法相比,ISKELM在保证较高分类精度的同时,极大地提高了在线建模速度,更加快速准确地实现了柴油机故障在线诊断.     

基于级联极限学习机的基站空调在线监测系统

提出一种基于级联极限学习机的基站空调在线监测系统。首先,基于某基站空调公司提供的监测数据集构建多个原子极限学习机分类器,每一个原子极限学习机对应一种故障类别;再将各原子分类器以级联方式组合用于未知样本的故障诊断;最后将级联极限学习机与单独的多类极限学习机算法、SVM算法、BP神经网络算法、C4. 5决策树算法进行比较测试。结果表明,级联极限学习机算法提高了小类样本的故障识别率,具有更高的故障诊断精度和较短的训练时间,且诊断时间达到在线实时的要求。     

一种在线稀疏LSSVM及其在系统建模中的应用

为了减少在线最小二乘支持向量机(LSSVM)的计算量和存储空间,提出了一种在线稀疏LSSVM.这种LSSVM利用滑动时间窗中部分时刻的样本作为训练样本集.新时刻的样本总是加入训练样本集;每次删除样本时,若滑动时间窗最前端时刻的样本在训练样本集中,则删除它,否则从训练样本集中选择留一法预测误差最小的样本删除.与现有的在线LSSVM相比,这种在线稀疏LSSVM能用较少的样本学习系统较多的特性,能提高时空效率;与现有的在线稀疏LSSVM相比,它能摆脱陈旧样本的影响,更加适应系统的时变性.系统建模仿真实验表明,该在线稀疏LSSVM能节省时间和空间,具有较高的预测精度.     

一种基于积累一致性测量的在线状态预测算法

针对核极限学习机(Extreme Learning Machine with Kernel,KELM)在线应用过程中,核矩阵膨胀,导致算法复杂性不断上升,且难以跟踪系统时变特征的问题,以滑动时间窗为基本建模策略,提出了一种新的KELM在线稀疏学习算法.在前向与后向稀疏化过程中,基于提出的构造与修剪策略,通过在线最小化字典的积累一致性,可选择一组具有预定规模的关键节点.在增样学习与减样学习过程中,基于节点选择结果,利用矩阵的初等变换与分块矩阵求逆公式,模型参数能被在线递推更新.提出的算法被用于混沌时间序列预测与音频放大器状态预测.实验结果表明:相比于4种流形的在线序贯ELM算法,提出的方法在花费相似的测试时间的条件下,能够显著提升预测精度,且具有较好的稳定性.     

改进的核极限学习机定位算法

针对神经网络无线定位方法,存在训练耗时长,定位结果易受噪声干扰的问题,提出了一种改进的核极限学习机无线定位算法。采取在同一位置进行多次测量的方法得到训练数据;把同一位置测得的数据划分为一个样本子空间并提取样本子空间的特征,以样本子空间的特征代替原来的训练数据;利用矩阵近似及矩阵扩展的相关理论改进核极限学习机算法;将处理过的训练数据利用改进的核极限学习机进行训练,得到定位预测模型。仿真结果表明,在相同数据集下,改进的核极限学习机训练用时短、定位速度快;在相同噪声干扰情况下,此算法定位预测误差小。经验证,该算法不但能提高网络的训练速度、定位速度,还能有效地降低噪声的干扰,提高定位精度。     

基于误差修正EOS-ELM的滑坡位移预测

提出了一种基于误差修正在线贯序超限学习机集成(EOS-ELM)的滑坡位移预测模型.预测过程中对滑坡位移时间序列进行了趋势项和周期项分解,分别考虑了不同的影响因子对滑坡趋势项位移和周期项位移的影响.利用在线贯序超限学习机(OS-ELM)算法分别对趋势项位移和周期项位移建模预测.采用集成预测的思想提高OS-ELM模型的泛化能力,同时为了进一步提高预测精度,提出了一种在线误差修正预测方法.该方法通过对误差序列进行建模预测,修正最终的预测结果.以三峡库区白水河滑坡为例,实验验证了提出方法的有效性.     

基于IRLS-ELM生物发酵在线软测量建模方法

为解决生物发酵过程中生物量浓度难以在线测量的问题,提出一种基于改进的最小二乘正则化极限学习机(IRLS-ELM)软测量建模方法并将其应用于红霉素发酵过程生物量浓度的在线预测中.根据误差反馈原理,将训练误差作为输入建立带反馈的神经网络,以提高模型预测精度.并将加权最小二乘法引入到ELM中改进其数学模型,削弱离群点或者不稳...     

基于Jerk流形正则化深度极限学习机的电能质量复合扰动识别

为了有效利用电能质量复合扰动识别中存在的大量难以标注的实测样本,提出了一种基于Jerk流形正则化深度极限学习机(DJRELM)的半监督扰动学习方法. 算法通过堆叠嵌入Jerk流形正则化的极限学习机自编码器(JRELM-AE)实现在复合扰动特征自动提取的同时保持数据内部流形结构. 分类层通过阈值预测极限学习机和Jerk正则化半监督极限学习机的结合将多层网络扩展到多标签半监督分类应用. 实验结果表明:该方法在不同噪声环境下的分类准确率均高于几种基于极限学习机的监督学习、半监督学习算法、传统多层极限学习机和深度卷积神经网络,具有理论意义和实用价值.     

基于小波能谱熵和改进ELM的转辙机故障预测

为了进一步提高铁道转辙机故障预测精度和维修效率,提出了一种基于小波能谱熵和改进极限学习机(Extreme Learning Machine, ELM)的转辙机故障预测方法.首先,将采集到的转辙机功率数据用完备集合经验模态分解方法进行预处理;然后,计算各个固有模态函数的小波能谱熵值,通过核主元分析原理方法将多维特征数据降至1维,构建转辙机的退化性能指标,得出失效阈值;最后,利用自适应鲸鱼优化算法对ELM预测模型的权值和阈值进行全局寻优,以获得最优的预测模型,实现对转辙机故障趋势的预测.用Matlab软件对新方法进行实例分析,并与支持向量机和ELM模型进行对比.仿真结果表明,与传统预测模型相比,基于改进ELM模型均方误差更接近于0,决定系数更接近于1,表明该模型预测精度更高,性能更佳,证明了该方法应用于转辙机故障预测的可行性.     

基于自适应最小二乘支持向量机的预测函数控制

提出一种基于最小二乘支持向量机在线建模的自适应函数预测控制算法.该方法提出一种新样本与模型节点的相似性计算方法,结合预测误差与过程先验知识给出控制模型节点的加入准则,使其自适应调整模型的复杂度,保证模型系数的稀疏性,有效地提高建模的精度和速度;给出增加节点和删除最早节点时最小二乘支持向量机模型更新的在线递推形式;基于局部在线最小二乘支持向量机的线性化模型,给出了自适应预测函数控制算法.以pH中和控制作为仿真实例,结果表明该算法的有效性.     

基于核极限学习机的煮糖结晶自适应控制研究

针对煮糖结晶过程难以进行自动控制的问题,提出一种基于预测模型的自适应控制方法。以逐步浓缩上升煮糖工艺为基础,基于核极限学习机构建糖膏液位和糖膏锤度的预测模型;以预测工艺偏差作为适应度函数,利用粒子群算法在线优化蒸汽阀和入料阀开度,并自动调节阀门用于跟踪理想工艺曲线。结果表明:与人工煮糖相比,自适应控制的煮糖过程更稳定且更接近理想工艺曲线,达到卸糖液位和锤度所需的时间相对减少7.06%。基于核极限学习机的煮糖结晶自适应控制方法具有可行性,可为进一步实现工业煮糖自动控制提供理论参考。     

自适应阈值AdaBoost.RT算法及其在轴承剩余寿命预测中的应用

针对自适应增强回归阈值(adaptive boosting regression threshold, AdaBoost.RT)算法用于判断训练样本好坏的阈值为常数,不能自适应地对每个测试样本动态调整判断标准的问题,提出了一种动态自适应调整阈值的改进AdaBoost.RT算法。通过引入训练结果的均值与标准差构造奇异系数作为判断相对误差的阈值,实现算法训练计算过程中阈值的自适应调整,在提高预测精度的同时,可以减少选择算法参数带来的繁重工作量。采用4组经典测试函数构造不同规模的训练样本数据进行算法检验,实验结果表明,提出的自适应调整阈值算法可以有效利用测试样本之间的差异性,克服了大噪声数据带来的干扰,改进后的集成算法可以改善回归模型的预测效果,提高模型的泛化性能。利用IEEE PHM 2012数据集验证所提方法的有效性,并与极限学习机(extreme learning machine, ELM)和原始AdaBoost.RT算法进行对比分析。结果表明：采用所提方法获得的轴承寿命预测均方根误差降低了5.18%,决定系数提高了3.11%。     

基于极点对称模态分解-分散熵和改进乌鸦搜索算法-核极限学习机的短期负荷区间预测

针对确定性负荷点预测存在不同程度误差及难以反映电力需求不确定性的问题,提出一种基于极点对称模态分解(extreme-point symmetric mode decomposition, ESMD)-分散熵(dispersion entropy, DE)和改进乌鸦搜索算法(improved crow search algorithm, ICSA)优化核极限学习机的短期负荷区间预测模型。首先用ESMD将原始负荷时间序列分解为多个特征互异的子序列,降低了原始非平稳负荷序列对预测结果的影响,并计算各子序列的分散熵,将熵值相近的子序列重组为新序列以降低计算规模;其次,基于上下限估计法,利用ICSA算法对核极限学习机(kernel extreme learning machine, KELM)输出权值进行优化,得到最优预测区间上下限,并以此分别对各新序列进行区间预测;最后将预测结果叠加得到最终的预测区间。仿真结果表明,所提模型有效提高了负荷预测区间的质量,为电力系统决策工作提供有力支持。     

基于筛选机制的L1核学习机分布式训练方法

为降低无线传感器网络中核学习机训练时的数据通信代价和节点计算代价,研究了基于筛选机制的L1正则化核学习机分布式训练方法。提出了一种节点局部训练样本筛选机制,各节点利用筛选出的训练样本,在节点模型对本地训练样本的预测值与邻居节点间局部最优模型对本地训练样本预测值相一致的约束下,利用增广拉格朗日乘子法求解L1正则化核学习机分布式优化问题,利用交替方向乘子法求解节点本地的L1正则化核学习机的稀疏模型;仅依靠相邻节点间传输稀疏模型的协作方式,进一步优化节点局部模型,直至各节点模型收敛。基于此方法,提出了基于筛选机制的L1正则化核最小平方误差学习机的分布式训练算法。仿真实验验证了该算法在模型预测正确率、模型稀疏率、数据传输量和参与模型训练样本量上的有效性和优势。     

基于归一化核极限学习机的复杂岩性储层的岩性识别方法

<正>确识别岩性对储层参数的精确计算及流体识别工作具有重要意义。针对复杂岩性储层岩性难以准确判别,考虑到核极限学习机可收敛到全局最优解,将核极限学习机进行改进,提出基于归一化核极限学习机的岩性识别方法。通过对中东伊拉克M油田复杂岩性储层579块岩样进行建模,然后对未参与建模的井进行岩性识别,核极限学习机模型预测准确率达到80.03%,归一化核极限学习机模型不仅在预测准确率达到81.85%,且预测速度仅有0.001 1s,在预测准确率与速度上均优于传统主流模型。     

局域极端学习机及其在状态在线监测中的应用

针对训练样本贯序输入时的极端学习机(ELM)训练问题,提出一种可实现在线训练的局域极端学习机(LELM).LELM以逐次增样训练与减样训练的方式实现在线训练,从而有效保持了简约的模型结构,同时利用分块矩阵求逆引理有效减小了多次模型训练的计算代价.混沌时间序列在线预测仿真表明,LELM的在线训练时间远小于ELM,且预测精度更高.基于时间序列预测的雷达发射机状态在线监测实例表明,相比于利用粒子群优化的自适应灰色模型方法,LELM具有更高的计算效率与预测精度,适用于电子系统状态在线监测.     

基于ELM的单相有源电力滤波器的内模控制

为了克服单相有源电力滤波器的非线性特性,在基于数据的基础上,由极限学习机建立有源滤波器非线性系统的内模和逆模,实现基于极限学习机的内模控制.根据内模控制系统稳态误差,评估内模控制系统的性能,并将极限学习机的内模控制系统与神经网络、核岭回归、支持向量机等方法进行比较分析.试验仿真表明,基于极限学习机的内模控制系统具有系统稳态误差小、鲁棒性强等特点.     

一种基于粒子群优化的极限学习过程神经网络

本文针对过程神经元网络(Process Neural Network,PNN)模型学习参数较多,正交基展开后的梯度下降算法初值敏感、计算复杂、不易收敛等问题,结合极限学习机(Extreme Learning Machine,ELM)的快速学习特性,提出了一种新型的极限学习过程神经元网络.学习过程中摒弃梯度下降算法的迭代调整策略,采用Moore-Penrose广义逆计算输出权值矩阵.同时为弥补极限学习机由于随机赋值造成的不足,利用粒子群算法(Particle Swarm Optimization,PSO)良好的全局搜索能力进行模型参数优化,获得紧凑的网络结构,提高了模型泛化能力.仿真实验以Henon混沌时间序列和太阳黑子预测为例,验证了网络的有效性.