基于极限学习机的电力变压器故障诊断

针对三比值法存在比值编码缺失无法诊断故障的不足,将泛化性能好的极限学习机与三比值法相结合,用于电力变压器的故障诊断。一方面将样本中特征气体的组分含量及对应的比值编码作为极限学习机的输入,使建立的极限学习机故障诊断模型包含了比值编码信息,进一步发挥三比值法在远离区间分界点时诊断准确率高的长处;另一方面,在故障诊断时,可根据待测样本输出矩阵中每列元素最大值所在的行,判断样本所属的故障类型,从而在一定程度弥补了比值编码缺失无法诊断故障的不足。实例诊断结果表明,该方法计算简单,灵活方便,故障诊断正确率高,具有一定可行性和有效性。     

基于核极限学习机的飞行器故障诊断方法

针对高超声速飞行器反作用控制系统(reaction control system, RCS)的推力器故障,展开了基于核极限学习机(kernel extreme learning machine, KELM)的故障诊断方法研究,并对该诊断方法进行了参数优化和核函数优化,为飞行器执行器故障提供了快速准确的诊断方法。结果表明:该方法可以克服对飞行器模型的依赖,以数据驱动的方式对飞行器执行器故障实现快速准确的诊断。     

基于小波包变换和极限学习机的滚动轴承故障诊断

采用基于小波包变换(WPT)和极限学习(ELM)的方法对轴承故障进行诊断和分类辨识。该方法首先采用小波包变换对采集到的振动信号进行分解,求得各频带的相对能量,并构建特征向量,接着利用极限学习机进行自动分类识别。经使用实验台实测电机滚动轴承不同状态的信号进行分析,研究结果表明,所建立的自动分类模型可以有效地对轴承的单一故障,以及不同程度故障有很好的辨识能力。     

基于经验模式分解和极限学习机的机械故障诊断

针对机械故障诊断过程中特征提取和学习算法的选择问题,提出一种基于经验模式分解和极限学习机的机械故障诊断模型.首先采用小波变换消除机械信号中的噪声,然后采用经验模式分解提取机械信号特征,并采用极限学习机建立机械故障诊断模型,最后通过实例对不同模型的有效性和可行性进行对比分析.结果表明,改进后的模型明显改善了机械故障诊断效果,缩短了机械故障诊断时间.     

基于深度小波自动编码器和极限学习机的轴承故障诊断

针对原始振动数据无监督特征学习问题,提出了一种深度小波自动编码器(deep wavelet automatic encoder,DWAE)与鲁棒极限学习机(extreme learning machine,ELM)相结合的滚动轴承的智能故障诊断方法。首先,利用小波函数作为非线性激活函数设计小波自动编码器从而有效地捕获信号特征。其次,利用多个小波自动编码器构造一个深度小波自动编码器来增强无监督特征学习能力。最后,采用鲁棒极限学习机作为分类器,对不同的轴承故障进行分类识别。用该方法对实验所得的轴承振动信号进行对比分析,结果验证了该方法能够在原始振动数据无监督特征学习的条件下该方法优于传统方法和标准深度学习方法。     

基于稀疏性贝叶斯极限学习机的气动调节阀多类故障诊断

气动调节阀是工业过程中使用最广泛的终端执行机构之一,它的性能好坏直接影响控制回路的性能.将基于稀疏性贝叶斯的极限学习机(SBELM)方法运用于多类故障诊断,基于DAMADICS平台的典型气动调节阀多类故障模型数据通过SBELM进行训练.不仅能根据模型的先验知识和基于最大后验概率准则(MAP)的贝叶斯思想估计出模型输出的概率分布,而且能基于设定的性能指标自动剔除无用的训练样本,用一小部分观测数据达到多故障分类的目的,能训练出一个精确且紧凑的故障诊断模型.     

基于极限学习机的上证指数预测与分析

针对证券指数具有随机性、时变、波动性较大、非线性等特点,传统线性预测方法预测精度低等缺陷,提出了一种基于极限学习机的证券指数预测方法。极限学习机克服了BP神经网络的训练速度慢、过拟合、局部极值等缺陷,具有训练速度快、全局最优和泛化能力优异等优点。采用1991~2013年上证指数对算法性能进行训练,2014年数据做测试,对100个测试数据仿真结果表明,复相关系数高达0.9935,极限学习机是一种预测精度高、误差小的证券指数预测算法,预测结果可以为用户提供有价值的参考意见。     

基于极限学习机的板形建模与优化

以铝合金板带生产厂2100 mm轧机的4.1 mm厚铝薄板带轧制生产过程作为研究对象,综合分析各个因素对板形的影响规律,分别从平直度和截面形状两个方面建模和研究,采用平直度转换为与标准板形曲线的厚度差,建立了四辊轧制过程中铝薄板带板形预测模型,预测误差范围为-0.0223～0.0191 mm.为了进一步提高模型预测精度...     

基于状态转移算法的极限学习机

目前极限学习机在训练模型时存在占用计算资源多和模型精度低等问题.为了解决上述问题,提出了一种基于状态转移算法的极限学习机,可提升算法计算效率和模型精度.利用状态转移算法的全局搜索特性求解线性方程组,得到极限学习机的输出权重矩阵,进而完成建模.在分类和回归数据集上与极限学习机和其他主流算法进行对比,所提方法可以利用较少的隐藏层节点得到高精度的模型,同时具有更好的学习准确率.这种高性能的建模方式弥补了极限学习机的不足.     

基于极限学习机的中医脉象识别方法

针对中医脉象模糊性强、种类繁多、特征复杂的特点,以及传统模糊聚类方法、BP神经网络识别方法的不足,提出了一种基于极限学习机(extreme learning machine,ELM)的脉象识别方法.该方法通过提取脉象信号的特征向量,然后利用ELM对特征向量进行了训练和分类.实验结果表明,本文所提出的脉象识别方法与传统模糊聚类方法、BP神经网络方法和支持向量机方法相比,识别正确率分别提高21%,9%和5%.这表明所提出的方法对脉象的分类判别能取得良好的效果.     

基于剪枝极限学习机的表情识别

为了缩短神经网络方法在人脸表情识别训练阶段所消耗的时间,提出了一种基于剪枝极限学习机的人脸表情识别方法.该方法随机为输入层与隐层单元间的连接分配权重,并以此求出相应的隐层单元与输出单元之间的连接系数,以达到一次性确定神经单元间系数的效果,避免了深度学习和神经网络因反复修改网络系数造成的高耗时;接着利用隐层单元与分类结果的相关性,删掉那些相关性较低的隐层单元,从而自动构建网络结构;通过多次迭代选取分类结果最好的网络参数作为最终的网络参数;最后构建多个极限学习机,用投票机制实现最终的分类.实验结果表明,该方法在特定人脸识别和非特定人脸识别都能得到较好的识别率,且大大降低了训练所用时间.     

基于极限学习机的胰岛素评价模型

为了正确评价胰岛素在人体血糖调节中的重要作用,提出搭建一种基于极限学习机(extreme learning machine,ELM)方法的胰岛素评价预测模型.提出的胰岛β细胞功能评价方法,选取了人体空腹时的血糖浓度、空腹胰岛素浓度、糖耐量实验后的血糖浓度和胰岛素浓度等14个生理数据作为输入参数,对早期胰岛素分泌指数、胰...     

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...     

基于正则极限学习机的烟草病毒病预测

为了对烟草病毒病的病情指数进行建模研究,采用了一种正则极限学习机算法：通过引入惩罚因子来权衡结构风险与经验风险的大小,进一步增强网络的泛化性．针对烟草病毒病的众多影响因素,采用灰色关联度算法选取主要影响因子．使用某地1984—1995年病情资料、相关虫情和气象资料,经过数据挖掘、建模仿真,将正则极限学习机应用于烟草病毒病预测中,效果较好,对烟草病毒病的防治具有指导意义．     

基于抽样方法的不确定极限学习机

实际应用中的大量数据具有不确定属性,而传统的挖掘算法无法直接应用在不确定数据集上.针对不确定数据的分类问题,提出一种基于抽样方法的不确定极限学习机.该算法通过抽样的方法,对不确定数据集中样本的抽样实例进行学习和分类,得到该不确定样本的所属类别的概率,从而实现了传统极限学习机分类算法对不确定数据的分类,并极大降低了不确定对象实例的枚举代价.实验结果表明,该算法在不确定数据的分类问题中具有较好的有效性和高效性.     

基于极限学习机的谐波电流检测方法

谐波电流检测的实时性和准确度直接影响有源电力滤波器的谐波补偿效果.针对基于传统神经网络谐波检测方法的不足,提出了一种基于极限学习机的谐波电流检测新方法.首先详细给出了极限学习机的训练样本的组成和训练方法,然后构造检测模型实现对谐波电流幅值和相位的检测.仿真结果表明,该谐波电流检测方法的检测精度普遍达到10-6,在有白噪声影响的情况下检测精度达到10-4,与基于传统神经网络的谐波检测方法相比具有更高的检测精度和更强的泛化能力,更加适用于谐波源固定的场合.     

基于改进极限学习机的纱线质量预测

由于随机给定输入权值和偏差,极限学习机(extreme learning machine,ELM)通常需要较多隐含层节点才能达到理想精度.结合粒子群算法具有全局搜索能力的优势,提出一种基于改进ELM算法的纱线质量预测模型,采用改进粒子群算法优化ELM算法的输入权值矩阵和隐含层偏差,计算出输出权值矩阵,以减少隐含层节点数.试验结果表明,相比于ELM算法,改进ELM算法能够依靠更少的隐含层节点获得更高精度,相对误差降低2.70%,可为纱线质量预测与控制提供更有效的工具,具有广泛的推广实用性.     

基于残差补偿的极限学习机自编码器

极限学习机自编码器作为无监督降维方法,通过重构输入数据来提取原始样本特征,具有学习速度快、泛化性能高等优势.但经典极限学习机自编码器表示能力有限,使得重构输出和原始样本之间的残差不可避免.因此借鉴残差补偿思想,提出基于残差补偿的极限学习机自编码器,通过不断对重构残差补偿式学习来改善ELM-AE的表示能力.在6个公开数据集上进行K-means聚类实验,结果表明基于残差补偿的极限学习机自编码器(RCELM-AE)能够有效提高聚类准确率.     

基于和声搜索算法的极限学习机网络优化

极限学习机(ELM)因其运算速度快、误差小等优点而得到广泛的应用,但由于随机给定输入权值和阈值可能导致隐含层节点无效,因此,ELM通常需要增加隐含层节点数来提高预测精度,从而导致网络泛化能力不佳。为了解决上述问题,提出一种和声搜索算法的极限学习机网络(HS-ELM),采用和声搜索算法不断调整ELM输入权值和隐含层阈值矩阵选取最优以达到优化网络的目的。最后通过两种复杂度不同的非线性函数拟合加以验证。结果表明,传统ELM网络平均预测误差为0.31×10-3%和1.6%,HS-ELM的平均预测误差为0.01×10-3%和0.4%。证明和声搜索算法优化后的ELM网络在同等情况下所需的隐含层节点数和预测精度均优于传统ELM网络的。     

基于极限学习机的医学图像分割方法

为了辅助放射科医生制定合理的放疗计划,避免放疗损害人体正常的组织器官,减轻医生简单重复的工作负担,亟需一种自动/半自动算法对CT图像进行分割,描画病变组织边界轮廓。传统的分割算法主要考虑经验风险最小化(ERM)问题,较少关注算法问题的复杂度和运行效率等问题。针对已有算法的不足,提出了基于ELM的医学图像的分割技术,结合滤波去噪、形态学提取和边缘检测等图像处理方法,设计了一种应用于CT图像的轮廓描绘方法。广西肿瘤医院提供的CT图像分割结果表明:相比于SVM、OTSU及区域生长法,本文所提方法能够显著的降低分割所需时间,提高分割效率,而将分割结果与医生手工描绘轮廓相比,能够满足医学上放疗图像引导治疗要求。