多排土场间土岩物料流向流量动态规划模型

为进一步优化露天矿山排土场土岩堆置结构,降低排土运输成本,针对现阶段尚未有效解决的多排土场间物料堆置问题展开研究,提出一种面向多排土场的、考虑其内部自身发展建设的物料块体堆置次序优化算法。首先以阶段间物料流运输功最小化为目标函数建模,将排土场设计参数、空间形态以及位置关系作为约束条件,构建堆置次序规划模型;然后以排土程序设计为基本空间约束构建先验条件,提出一种多排土场间决策阶段动态生成算法;最后采用0 1整数规划对整个规划问题进行阶段性求解,得出多排土场内块体模型的最优化堆置次序,并给出排土场内部详细的土岩流向流量规划方案。针对神华新疆黑山露天煤矿随着开采深度加大、卡车排土场运距过大等现实排土运输问题,以运输功最小化为优化目标,运用所提出的算法对该矿排土场内部堆置结构进行了优化。确定了该矿未来11年南、北两外排土场内部结构最优的堆置方案;相比原设计有效的控制了运输能耗,可节省该矿每年1~2亿元的排土运输成本。     

基于ELM神经网络的FAST节点位移预测研究

针对ELM神经网络隐含层节点数目需要人工设定,容易出现过拟合现象从而导致网络的泛化能力降低的问题,引出了基于误差最小化的ELM神经网络的改进方法 EM_ELM算法,并在理论上论证了EM_ELM算法对于提高ELM神经网络预测精度和泛化能力的可行性.随后将EM_ELM算法应用到FAST节点位移的预测模型中,并且进行了仿真验证.仿真结果表明虽然EM_ELM神经网络在训练时间上有了一定的损失,但是仍能满足实时性的要求,而且它的预测精度和泛化能力都得到提升,证明了改进算法的有效性与可行性,进一步说明了EM_ELM神经网络更适合应用于FAST节点位移预测.     

电力系统短期负荷预测的多神经网络Boosting集成模型

提出了一种改进的多神经网络集成自适应Boosting回归算法.算法中采用相对误差模型代替绝对误差模型,可以更接近于回归预测问题的要求,并在Boosting迭代过程中,在对训练集采样得到新的训练子集的同时,也对校验集采样得到新的校验子集,保证了两者的一致性.进而采用美国加州电力市场的实际数据,建立了由多个神经网络集成的电力系统短期负荷预测模型.预测结果表明,与传统的单网络预测模型相比,Boosting集成预测模型能显著提高模型输出的稳定性,增强网络结构及模型选择的可靠性,获得更高的预测精度.     

基于PSO-ELM的中国石油股票价格预测建模

为了提高股票价格预测的精度,针对中国石油股票价格预测问题,提出了粒子群算法(Particle Swarm Optimization,PSO)优化极限学习机(Extreme Learning Machine,ELM)的股票价格预测模型。通过粒子群算法对极限学习机的权值以及阈值参数进行优化,构建PSO-ELM预测模型,并将其用于中国石油股票价格预测。仿真实验表明,与ELM、PSO-BP、DE-ELM相比,其预测均方误差分别下降了1.84%、1.07%、0.97%,拟合优度决定系数R2为0.974 3,即PSO-ELM有着较高的预测精度。为了给股票投资者更好的投资建议,对PSO-ELM模型分别进行股价短期、中期、长期的预测,结果表明PSO-ELM模型短期预测精度较高,随着时间的推移预测的精度有所下降。     

基于改进粒子群优化算法和极限学习机的混凝土坝变形预测

混凝土坝变形预测是评价大坝运行状态和预测大坝行为的重要方法.但是,混凝土坝的随机荷载和强非线性变形限制了传统多元线性回归模型的应用.而人工神经网络模型则对复杂和高度非线性行为具有良好适应性.针对基于梯度下降法的常规神经网络模型收敛速度慢和过度拟合等问题,提出了一种基于改进型粒子群优化算法选取极限学习机(ELM-IPSO)最优参数的大坝变形预测模型.针对传统粒子群算法搜索时间长、容易陷入局部最优的特点,采用自适应惯性权重和动态调整学习因子,对粒子群算法进行了改进.研究表明,IPSO算法提高了粒子群优化的全局搜索能力,提高了计算效率.应用IPSO优化ELM模型的初始权值和阈值.通过东江混凝土拱坝的实测资料,验证ELM-IPSO模型的预测性能.将计算结果与BPNN模型、ELM模型和传统ELM-PSO模型的结果进行比较.BPNN模型、ELM模型、ELM-PSO模型和ELM-IPSO模型的平方相关系数R2分别为89.15%、91.13%、93.87%和94.36%.ELM模型的R2大于BPNN模型,说明ELM模型比常规的BPNN模型预测精度更高,泛化性能更好.ELM-PSO模型的预测精度大于ELM模型,说明PSO对ELM的优化在提高预测精度方面具有良好的作用.4个模型中,ELM-IPSO模型的R2最大,预测精度最高,这表明提出的ELM-IPSO模型能够有效提高混凝土坝变形的预测能力.     

基于GA-ELM的短期负荷预测研究

为了提高短期负荷预测的精度,针对ELM模型预测中存在拟合程度低,参数容易陷入局部最优等问题,设计了一种考虑外界因素的GA-ELM模型预测方法.以湖北省恩施州某地2017年12月的历史数据对ELM进行训练,通过GA优化选取极限学习机参数,最后根据优化后的参数建立GA-ELM负荷预测模型.对比算例分析表明,GA-ELM预测模型比ELM、SVM、GA-SVM和PSO-SVM模型的预测效果更好、精确度更高.     

基于PCA-IBAS-ELM的海底多相流管道内腐蚀速率预测

海底多相流管道运输介质中油、气、水共存,极易发生化学反应引发一系列腐蚀问题。为预测其腐蚀速率,对管内腐蚀机理及影响因素进行分析,提出基于主成分分析法（PCA）和改进甲虫天牛须算法（IBAS）的极限学习机（ELM）预测模型。PCA 筛选腐蚀因素,降低预测模型的输入指标维数,IBAS优化ELM的关键性能指标--输入权值及隐层阈值,提升预测精度。为检验模型效能,以我国海南东部某海底油气管道50组数据为例进行研究,并与其他两种模型对比分析。结果表明：温度、pH值、流体流速和CO2分压是影响该类型管道腐蚀的关键因素,PCA-IBAS-ELM预测结果与实际值拟合度更高,其均方根误差（RMSE）,平均绝对误差(MAE)和平均绝对百分误差（MAPE）和均小于比较模型。 可见构建模型对于海底多相流管道内腐蚀速率预测具有优越性。     

改进的LS-SVM数学模型的交通流量预测分析

针对交通流量数据具有非线性和非平稳性的特点,运用EMD和FOA算法实现LS-SVM核参数和惩罚系数的自适应优化选择,提出了一种基于EFLS-SVM算法的交通流量预测模型。通过EMD提取交通流量数据的细节特征和趋势特征,构建出基于EFLS-SVM的交通流量预测模型,分别进行单步、3步、5步和7步预测。通过不同交通流量预测模型的实验对比发现,EFLS-SVM算法的预测精度和预测效率均优于其他模型,从而为交通网络资源的合理配置提供科学决策的依据。     

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.     

应用非线性加权的集成学习软件缺陷序列预测算法

针对当前软件缺陷序列预测算法准确度不高的问题,提出了基于非线性加权的集成学习软件缺陷序列预测算法(NLWEPrediction)。该算法在常见线性集成预测算法的基础上增加了非线性回归项,回归项代表了集成预测算法中基预测算法之间的相互关系,修正了线性集成预测的偏差,并通过梯度下降法求解了模型中的参数。实验表明:NLWEPrediction在14个软件缺陷数据集上的均方误差均小于250,并且平均绝对误差均小于13。通过与基预测算法、集成预测Bagging、Stacking算法和只考虑两个分类器关系的非线性加权集成学习算法进行对比,可以看出,NLWEPrediction预测算法的均方误差和平均绝对误差显著减小,预测精度显著提高,说明在线性集成预测算法基础上增加非线性回归项,能够有效提高集成学习算法的分类效果。     

基于天牛须搜索算法的短期风电功率组合预测

为了提高风电功率预测精度,提出了一种完全集成经验模态分解(complete ensemble empirical mode decomposition adaptive noise,CEEMDAN)、极限学习机(extreme learning machine,ELM)和改进天牛须搜索算法(improved beetl...     

基于粒子群-投影寻踪和遗传-神经网络集成的预测模型

  针对预测对象和预测因子存在复杂的线性和非线性关系的特点,利用自然正交展开方法进行线性降维,以及用粒子群 投影寻踪方法进行非线性降维,将高维的非线性数据投影到低维子空间上,构造了一种遗传 神经网络预测模型。在此基础上,应用该预测模型对影响华南的台风频数进行了预测试验,并将预测结果与统计回归模型的预测结果进行对比分析。结果表明,文中构建的非线性集预测模型,对台风频数有较好的预测效果,5 年预测的平均绝对误差为0.81个, 平均相对误差为13%,预测结果比统计回归模型有明显的改进。该文的结果可为进一步探索研究其他领域的预测建模提供了一种新的参考思路和方法。     

新型教与学优化算法及其在需水预测中的应用

针对教与学优化(teaching learning based optimization, TLBO)算法解决复杂优化问题易陷入局部最优且解的精度低的不足,提出一种高效的教与学优化算法(efficient TLBO, ETLBO)以提升标准TLBO的全局优化性能。在ETLBO中,通过双种群混洗策略将种群分成两组,通过老师单独对最差学生进行教学过程,加快算法快速收敛到全局最优。通过求解4个典型的数值函数,仿真结果验证了ETLBO算法的有效性。通过ETLBO算法优化选择极限学习机(extreme learning machine, ELM)模型参数,并构建ETLBO-ELM模型,将其应用于城市需水量预测中。仿真结果表明,ETLBO优化的ELM模型具有良好的预测精度和泛化能力。     

基于核极限学习机的下肢关节力矩预测方法

针对极限学习机(extreme learning machine, ELM)预测下肢关节力矩时,随机初始化输入权重和偏置影响模型准确度问题,提出一种基于核极限学习机(kernel based extreme learning machine, KELM)的下肢康复机器人关节力矩预测方法。该方法将高斯核函数与ELM相融合,并采用遗传算法(genetic algorithm, GA)与粒子群优化(particle swarm optimization, PSO)结合的基因粒子群GAPSO对KELM的参数进行优化。首先,采集1位在跑步机上以0.4、0.5、0.6、0.7和0.8 m/s等5个不同速度行走的右下肢偏瘫患者运动数据并对数据进行预处理;其次,通过GAPSO对KELM进行优化,获得最优正则化系数C和核函数宽度参数S,将输出关节力矩与反向生物力学分析计算的关节作比较;最后,利用均方根误差(root mean square error, RMSE)和相关系数P来评价算法优越性。实验结果表明,基于GAPSO优化后的KELM(GAPSO-KELM)算法相对于PSO-KELM算法、KELM算法...     

融合模糊评价与极限学习机的配电线路台风灾损预测

为了提升配电网线路应对台风的防灾减灾能力,提出一种台风影响下配电线路的灾损预测方法.充分考虑台风登陆位置对目标地区影响程度的复杂性,利用模糊评价方法评估台风登陆距离的影响模糊程度.并在此基础上结合台风风级、风速和风圈半径等属性作为预测模型的输入特征,构建基于极限学习机(ELM)的灾损预测模型,对台风影响下的目标地区配电线路跳闸、断线、倒杆以及断杆进行预测.通过对近几年台风历史数据的实验验证表明,本算法针对四类灾损能获得较高的预测精度;相比现有算法,对登陆距离的影响程度进行模糊评价极大提升了预测模型的精度,实现20倍以上的性能提升.算法预测结果可为台风过境时配电线路的灾害应急处理和灾后重建工作提供重要参考依据.     

IA-BP算法在谐振腔物料水分测量中的应用

为提高微波谐振腔物料湿度测量精度,提出一种基于IA-BP优化算法的进化神经网络模型,对微波谐振腔湿度测量结果进行校正.模型首先利用IA算法能够保持解群分布多样性的特性进行全局搜索,从而得到最优解或次优解附近,然后根据BP算法基于梯度信息指导权值调整的性能进行局部搜索,进而避免在最优解或次优解附近震荡,并迅速收敛到最优值.结果表明该优化算法有效地避免传统BP算法易陷入局部极小,同时保持其高预测精度,且收敛速度快,具有寻优的全局性和精确性,提高了测量精度.预测湿度与实际湿度间的均方差为0.012 5,平均绝对误差为0.071 5,平均相对误差为0.118 6,确定系数为0.996 5.     

基于SOA-BP神经网络的SLS成型件精度预测模型

针对选择性激光烧结(selective laser sintering,SLS)成型件精度难以控制以及工艺参数优化实验成本高等问题,提出了一种利用人群搜索算法(seeker optimization algorithm,SOA)优化BP(back propagation)神经网络对SLS成型件精度预测的方法。首先选择激光功率、预热温度、扫描速度、扫描间距以及分层厚度五个工艺参数设计正交试验获取样本数据。然后根据SOA算法特有的利己、利他、预动和不确定推理四大行为确定搜索策略,获取BP神经网络最优权值和阈值。最后采用MATLAB建立优化后的BP神经网络预测模型对样本数据进行预测分析,并与传统BP神经网络和粒子群算法(particle swarm optimization,PSO)优化的BP神经网络预测结果进行对比。结果表明:基于SOA-BP神经网络的预测模型具有较高的预测精度,最大绝对误差仅为0.028,对SLS成型件精度的提高和工艺参数的选取具有指导作用。     

基于SSA-RBF的灌区流量预测

水资源短缺问题日益严重,快速准确的灌区流量测量具有重要意义。现有流量测算模型一般采用传统的测流方法或简单的神经网络模型进行处理,采用上述方法将面临测量成本、测量精度等挑战。故将麻雀搜索算法(sparrow search algorithm, SSA)与径向基神经网络(radial basis function, RBF)相结合,以渠道水深、测点流速、测点位置为输入,灌区流量为输出,设计了一种新的SSA-RBF神经网络模型用于预测灌区流量。以都江堰人民渠渠首站点在27种不同水力条件下的实测数据为基础,对SSA-RBF模型和RBF模型以及极限学习机(extreme learning machines, ELM)模型进行评估和比较,实例结果表明SSA-RBF模型能够快速准确地预测出流量,其确定系数为0.975、均方根误差为6.186、平均绝对误差为4.324、残差质量系数为0.011 9,4种评价指标以及预测结果偏差均优于ELM模型以及RBF模型,为提升灌区流量测算精度提供了思路。     

基于PSO-ELM的建筑物爆破震动速度预测

 针对影响爆破震动速度因素之间复杂的非线性关系,利用粒子群算法（PSO）的全局搜索最优解原理和极限学习机（ELM）处理非线性关系能力,建立了爆破震动速度预测的PSO-ELM 模型。以某地区爆破震动实测数据为例,选取总药量、最大段药量、爆破点与监测点距离、建筑物所在地面震动速度和测点到地面的高度等5 个因素为输入变量,以建筑物震动速度为输出变量。结果表明,PSO-ELM 模型训练值与预测值,测试值与预测值的均方误差分别为0.18 和2.56,平均相对误差控制在6%以内,显示出该模型具有良好的训练精度和泛化能力。对比传统ELM 模型,PSO-ELM 模型不但提高了精度和泛化能力,而且降低了训练样本数和隐含层节点数变化对训练结果的影响,提高了模型的拟合能力,在类似预测工程中有一定的推广价值。