基于改进极限学习机的无线传感器网络故障检测方法

在无线传感器网络收集环境数据的过程中,由于环境干扰,电池电量不足以及传感器老化等原因会使收集到的数据出现遗漏或者错误,而这些错误数据会导致整个监测系统故障.针对该问题,本文提出了一种以改进极限学习机为基础进而实现无线传感器网络节点故障的有效检测方式.首先就传统萤火虫优化算法进行改进,通过使用莱维飞行对萤火虫算法进行优化...     

化学计量学方法在近红外光谱分析中的应用--近红外光谱法测定汽油辛烷值

介绍了化学计量学在近红外分析技术中的应用方法。并以近红外光谱法测定汽油辛烷值为例 ,详细介绍了常用化学计量学方法 (主成分回归 ,偏最小二乘法和马氏距离分析 )的比较与在应用中的选择。     

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...     

改进极限学习机的网络流量混沌预测

为了获得更加精确的网络流量预测,降低网络拥塞的频率,提出了改进极限学习机的网络流量预测模型。针对网络流量混沌性分别确定原始网络流量的延迟时间和嵌入维数,采用极限学习机对网络流量的变化特点进行拟合,改进标准学习机,改善学习速度和预测性能,最后通过网络流量数据的预测实验验证其可行性。验证结果表明:与其它网络流量预测模型相比,改进极限学习的网络流量预测结果更加可靠,对网络流量将来变化趋势可以更加准确描述,提高了网络流量预测精度。     

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。     

基于极限学习机快速分类的人体跌倒检测方法

为了准确快速检测人体跌倒状态,提出基于惯性测量单元(inertial measurement unit,IMU)测量和处理数据的极限学习机(extreme learning machine,ELM)快速分类判别方法。分析了人体运动行为特征,构建了腿部运动参数提取模型;通过IMU采集人体腿部运动特征数据,并进行姿态解算;采用ELM方法对人体运动特征的加速度、角速度和姿态进行分类,判断人体是否处于跌倒状态;根据机器学习评价指标对ELM参数进行优化,得到最佳参数。进行了人体运动状态测量实验,结果表明,ELM方法能够对IMU测量和处理数据进行准确快速地分类。当隐含层结点为1 000时,ELM检测方法跌倒检测的准确率为96. 45%,灵敏度为97. 32%,特异性为89. 32%。因此,采用ELM快速检测方法,可有效地对人体运动特征数据进行分类,实现对人体跌倒行为的准确检测。     

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.     

基于鲁棒极限学习机的污泥膨胀智能检测方法

污水处理运行数据中常含有离群点,严重影响污泥膨胀检测效果。针对该问题提出一种基于鲁棒极限学习机的智能检测方法。首先,考虑到极限学习机的输出权值由最小二乘估计获得,易受离群点的影响导致模型鲁棒性较差,通过引入M-估计技术构建基于鲁棒极限学习机(RELM)的离群点检测模型,实现离群点的检测和修正。其次,建立基于鲁棒极限学习机的污泥膨胀检测模型,根据污泥膨胀检测模型误差及阈值逻辑完成污泥膨胀的检测。最后,利用污水处理厂采集的运行数据对提出的智能检测方法进行验证。实验结果表明,本研究方法不仅可以实现离群点的有效修正,而且可以完成污泥膨胀的准确检测。     

提高汽油辛烷值的新途径

介绍了生产高辛烷值汽油调合组分的两种新方法的工艺和特点。第一种是利用催化蒸馏技术生产甲基叔丁基醚,该工艺充分利用了催化蒸馏这一复合分离技术的优点,并结合以适当的催化剂装填方式,在工业应用上取得了很好的效果。第二种是利用带有再循环的异构化分离组合工艺生产二甲基丁烷和异戊烷,该工艺能够有效地增加汽油中异构烷烃的含量,大幅度地提高汽油辛烷值。     

提高汽油辛烷值的新途径

介绍了生产高辛烷值汽油调合组分的两种方法的工艺和特点。第一种是利用催化蒸馏技术生产甲基叔丁基醚，该工艺充分利用了催化蒸馏这一复合分离技术的优点，并结合以适当的催化剂装填方式，在工业应用上取得了很好的效果。第二种是利用带有再循环的异构化分离组合工艺生产二甲基丁烷和异戊烷，该工艺能够有效地增加汽油中异构烷烃的含量，大幅度地提高汽油辛烷值。     

基于多元线性回归分析的汽油辛烷值损失预测建模

针对催化裂化汽油精制装置所采集的325个数据样本,运用R型聚类法得到建模的25个主要变量,并通过数据挖掘技术建立了基于多元线性回归分析的汽油辛烷值(RON)损失的预测模型.首先,利用3σ准则去除异常值等方法对原始数据样本进行预处理.其次,根据统聚类法中的R型聚类法,利用相关系数法和最大系数法分别确定指标变量之间的相似性...     

基于黏菌优化极限学习机的煤矸石多光谱识别

煤和矸石的精准辨识是煤矸分选和煤炭清洁高效利用的重要前提,针对传统方法存在效率低、需加装辐射隔离以及受环境干扰等诸多不足,提出了基于多光谱图像特性和光谱特性来识别煤和矸石,构建黏菌优化极限学习机(Slime Mold Algorithm Extreme Learning Machine,SMA-ELM)的分类模型。 搭建多光谱数据采集系统完成煤与矸石的光谱图像采集,通过 LBP 对光谱图像进行特征提取并使用 PCA 主成分分析对提取后的特征向量降维,输入SMA-ELM 分类模型、蚁狮优化极限学习机(Antlion Algorithm Optimized Extreme Learning Machine,ALO-ELM)分类模型、鲸鱼优化极限学习机(Whale Algorithm Optimized Extreme Learning Machine,WOA-ELM)分类模型进行对比,重点研究不同波长响应下煤和矸石的辨识精度来筛选最佳波长,通过多评价指标对优化后的最优波段进行比较。实验结果表明, SMA -ELM 分类效果最佳,第 6 波段为最优波段, SMA - ELM 在该波段的平均识别准确率为95. 08%,煤和矸石的识别 F1-Score 分别为 96. 47%和 92. 68%,用时 10. 6 s。 所提出的方法可以实现煤和矸石的精准识别,这对煤和矸石的智能分选具有重要的研究意义。     

基于近红外与拉曼光谱的甲醇汽油定量分析

利用近红外和拉曼光谱法定量分析了甲醇汽油中甲醇的含量,采用偏最小二乘法(partial least squares,PLS)建立甲醇的定量模型.近红外光谱法测定甲醇定量模型的预测集相关系数RP为0.998,预测均方根误差(RMSEP)为0.289%;拉曼光谱法测定甲醇定量模型的预测集相关系数RP为0.982,预测均方根误差(RMSEP)为1.141%.实验表明,近红外与拉曼光谱技术均可用于甲醇汽油中甲醇含量的快速检测.     

集成Dropout极限学习机数据分类方法

极限学习机(Extreme Learning Machine,ELM)是一种速度快,泛化能力强的训练单隐含层前馈神经网络(Single-hidden Layer Feed-forward Neural-network,SLFN)的算法.但是在应用ELM解决实际问题时,需要先确定合适的SLFN结构.然而,对于给定的问题,确定合适的SLFN结构是非常困难的.针对这一问题,本文提出了一种集成学习方法.用该方法解决问题时,不需要事先确定SLFN的结构.提出的方法包括3步:(1)初始化一个比较大的SLFN;(2)用ELM重复训练若干个Dropout掉若干个隐含层结点的SLFNs;(3)用多数投票法集成训练好的SLFNs,并对测试样例进行分类.在10个数据集上进行了实验,比较了本文提出的方法和传统的极限学习机方法.实验结果表明,本文提出的方法在分类性能上优于传统的极限学习机算法.     

改进极限学习机的不同类型滑坡位移预测

针对经典智能算法用于滑坡位移预测时存在的网络结构参数选取复杂、易陷入局部极小等缺陷,提出了基于改进极限学习机ELM(Extreme Learning Machine)的滑坡位移预测模型。在滑坡变形位移状态辨识基础上,根据其位移变化特征,将滑坡位移曲线类型划分减速-匀速型、匀速-增速型、减速-匀速-增速型、复合型4类,将改进的ELM算法分别用于4种不同类型的滑坡位移预测。基于改进ELM算法构建滑坡位移预测模型时,采用二值区间搜索算法选定最佳隐含层神经元个数和激励函数,并融入数据滚动建模思想,以期提高网络泛化能力和预测精度。以链子崖、卧龙寺、古树屋、新滩滑坡体为例,对ELM预测的适用性进行讨论,实验结果表明,基于ELM构建不同类型滑坡位移预测模型时,具有较高的预测精度,且在网络学习速度等方面优势明显,适用于复杂状况下滑坡体的位移预测。     

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.     

优化极限学习机的序列最小优化方法

针对传统二次规划求解方法训练优化极限学习机(OMELM)存在速度慢和效率低的问题,提出了单变量迭代序列最小优化(SSMO)算法.该算法通过在框式约束中优化拉格朗日乘子来实现目标函数的最小化:首先在初始化拉格朗日乘子中选择使目标函数值下降最大的拉格朗日乘子,将该拉格朗日乘子作为目标函数的唯一变量;然后求解目标函数的最小值并更新该变量的值;重复这个过程直到所有的拉格朗日乘子都满足二次规划问题的Karush-Kuhn-Tucker条件为止.实验结果表明:SSMO算法只需调节很少的参数值便可得到足够好的泛化性能;采用SSMO算法的OMELM方法在泛化性能上要好于采用序列最小优化算法的支持向量机方法;在随机数据集测试中,SSMO算法具有较好的鲁棒性.     

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。     

基于深度极限学习机的高光谱遥感影像分类研究

高光谱遥感数据越来越普及并为人们广泛使用,基于高光谱遥感数据的地面物体精确分类是高光谱遥感技术的核心应用之一.针对高光谱遥感影像的分类问题,提出一种基于深度极限学习机(D-ELM)的分类方法.该方法利用一种新的深度学习模型——深度极限学习机对高光谱遥感影像进行分类,并与基于极限学习机(ELM)、支持向量机(SVM)、核极限学习机(ELMK)分类方法进行了比较分析.研究结果表明:相对于ELM、SVM、ELMK分类方法,D-ELM分类方法能够更加准确地挖掘高光谱遥感影像的空间分布规律,提高分类的准确度.