基于PSO-ELM的双目视觉摄像机标定

针对极限学习机( extreme learning machine,ELM)在隐层节点数较少时标定精度较低的问题,利用粒子群优化算法( particle swarm optimization,PSO)与极限学习机相结合的方法对双目视觉摄像机进行标定。在标定过程中,ELM直接描述图像信息与三维信息之间的非线性关系,然后利用PSO优化ELM的输入权值与隐层阈值。实验结果表明,与ELM相比较,基于粒子群极限学习机( PSO-ELM)的双目视觉摄像机标定方法能仅用较少隐层节点数获得较高精度。     

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PSO-ELM模型的短期电力系统负荷预测

为了提高电力负荷预测的精确度、降低预测误差,提出了一种基于粒子群优化的极限学习机(PSO-ELM)模型。通过粒子群算法对极限学习机的参数进行寻优,最后通过PSO-ELM模型和传统ELM模型预测结果的相对误差比对,改进模型将相对误差降低在1%左右,提升了学习速率和预测精度,为电网运行和电力分配提供了决策保障。     

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。     

双层PSO-ELM融合室内定位算法

随着基于位置服务需求的增长,室内定位成为国内外学者研究的重点领域.研究发现采用多传感器信息融合方法可以提高定位准确度,目前人们普遍认为利用多传感器的互补特性,结合各融合算法提升导航系统的整体精度是室内定位领域未来的发展趋势.本文提出一种基于双层粒子群极限学习机(PSO-ELM)神经网络的融合视觉和惯性信息的室内定位算法...     

3.5 GHz WiMAX射频功率放大器的实现及其预失真模型

针对IEEE802.16e WiMAX标准设计并实现了中心频率为3.5GHz、峰值功率为10W的LDMOS大功率射频功率放大器.采用负载牵引法确定了功放管的最佳输入和输出阻抗.各项指标的仿真结果与实测结果高度吻合.提出一种低记忆功放并结合间接学习的方法,对该功放进行行为级建模和数字预失真,同时建立了多载波信号产生和采集的软硬件平台.实验结果表明,对于三载波W-CDMA宽带输入信号,当输出平均功率为30dBm时,采用仅7个系数的Hammerstein模型,即可得到-47.5dBc的邻道泄漏(ACLR)指标,改善度达到14dB.相对于传统的预失真技术,提出的方法能够在保证预失真性能的同时减少计算量,具有良好的应用前景.     

应用于WLAN的SiGe射频功率放大器的设计

采用0.18μm SiGe BiCMOS工艺,设计应用于无线局域网(WLAN)802.11b/g 2.4GHz频段范围内的AB类射频功率放大器.该放大器采用三级放大结构,偏置电路采用电流镜形式的自适应偏置控制电路,具有温度补偿和线性化作用.后仿真结果显示:1dB压缩点输出功率高达27.73dBm,功率增益为25.67dB,电路的S参数在2.4GHz频段内,输出匹配S22小于-10dB,S12小于-60dB.     

基于PSO-ELM的低压系统短路电流峰值预测

针对现有短路电流预测技术的不足,在短路电流早期检测的基础上,提出一种基于粒子群优化极端学习机（PSO-ELM）的短路电流峰值预测方法。利用短路电流暂态特性的分析确定预测模型的输入特征量,采用粒子群算法对极端学习机的输入权值和隐层偏置进行优化,最后,将提出的预测算法应用于低压多层级实验平台,并且与传统BP、ELM算法进行比较。实验结果表明,基于PSO-ELM模型的短路电流峰值预测方法能够在全相角范围内准确地预测出短路电流峰值,可作为低压多层级系统全选择性保护的短路故障预测算法。     

基于PSO-ELM的水平井自喷期“多段式”产量预测方法——以玛湖油田百口泉组致密砾岩油藏为例

准确预测油气井动态产量对油田高效开发意义重大,是单井累产油预测以及部署政策优化的关键。玛瑚油田百口泉组致密砾岩油藏水平井自喷期产量呈“多段式”特征,在实际生产过程中,油气井产量受储层物性、压裂工艺参数等多种因素综合影响,传统产量预测方法及数值模拟法考虑影响因素有限,预测方法适用性差。在产量特征认识基础之上,利用主成分分析法优选油层厚度、地层压力、总砂量、渗透率、压裂簇数及含油饱和度六个主控因素,采用粒子群算法优化ELM的输入权值与隐含层偏置,建立了玛湖油田水平井产量预测模型。预测结果表明,PSO-ELM对比传统预测模型具有计算速度快、泛化能力强、预测精度高的优点,利用该方法预测了5口水平井的单井产量,平均误差在2.14%~5.28%,与实际产量吻合良好。     

基于朱氏广义采样定理的射频功放行为建模

利用朱氏广义采样定理,在降低ADC采样率情况下,对射频功放进行非线性行为建模和数字预失真研究.以20 MHz的WiMAX信号作为射频功放的输入,通过矢量信号源和矢量信号分析仪组成的测试平台采集功放的输入和输出信号,并利用有记忆多项式模型和朱氏广义采样定理进行模型验证和预失真仿真分析.实验结果表明,在采样率为功放输入信号...     

基于粒子群优化极限学习机的排水管结构状况评价

基于极限学习机(ELM)和粒子群优化(PSO)算法,建立一个新型排水管道结构性状况评价模型。采用PSO算法优化ELM中的输入权值矩阵和隐含层偏置,改善网络参数随机生成带来的分类精度偏低的问题。以上海市洋山保税港区排水管网为例,对分类器模型进行训练测试,并与ELM分类结果进行对比分析。结果表明,PSO-ELM算法以较少的隐含层神经元节点获得更高的分类精度,参数优化提高了模型拟合能力,对于城市排水管道结构性状况分类、判断具有可行性和有效性。     

基于功率合成器的北斗射频功率放大器设计

针对当前应用于北斗卫星系统的射频功率放大器的小功率、低效率、高成本等缺点,本文提出一种基于功分合路器的改进型三级级联射频功率放大器设计方案。利用负载牵引法对末级功率放大器进行设计,利用集总参数与分布参数相结合的技巧对微带低通滤波器进行设计,利用小信号S参数法对前置级放大器进行设计。通过详细的理论分析和仿真优化,结合射频硬件电路和结构的设计要求,实际制作并实现稳定高效的30 W射频功率放大器设计。该方案可使低供电电压的小功率射频器件实现较大功率输出,并较好地兼顾线性度和效率。     

射频功率放大器与微带电路设计

功率放大器作为无线通信系统中核心部件,对于无线通信系统的通信质量有着突出的作用和影响,尤其是随着无线通信技术的发展以及移动通信用户数量的不断增加,进行功率放大器及其电路的设计研究,具有十分突出的作用意义和影响。本文将以射频功率放大器为例,在对于射频功率放大器的工作原理分析基础上,采用ADS软件进行射频功率放大器及其电路的设计分析,以促进射频功率放大器在无线通信领域中的推广应用。     

一种基于粒子群优化的极限学习机

极限学习机(ELM)是一种新型的前馈神经网络,相比于传统的单隐含层前馈神经网络(SLFN),ELM具有速度快、误差小的优点.由于随机给定输入权值和偏差,ELM通常需要较多隐含层节点才能达到理想精度.粒子群极限学习机算法为使用粒子群算法(particle swarm optimization,PSO)选择最优的输入权值矩阵和隐含层偏差,从而计算出输出权值矩阵.一维Sinc函数拟合实验表明,相比于ELM算法和传统神经网络算法,粒子群极限学习机算法依靠较少的隐含层节点能够获得较高精度.     

高效率射频功率放大器线性化技术的比较研究

功率放大器广泛用于通信系统和各种电子设备中 ,设计功率放大器时减小其非线性失真是一个必须考虑的问题。文章对射频功率放大器的主要几种线性化技术进行了比较 ,着重分析了带有失真反馈的前馈技术和预失真技术 ,并浅析了今后射频系统线性化技术的发展趋势。     

PSO-ELM在低压系统短路电流峰值预测中的应用

在短路电流早期检测的基础上,提出一种基于粒子群优化极端学习机(PSO-ELM)的短路电流峰值预测方法.利用短路电流暂态特性分析确定预测模型的输入特征量,采用粒子群算法对极端学习机的输入权值和隐层偏置进行优化,最后,将提出的预测算法应用于低压多层级实验平台,并且与传统BP、 ELM算法进行比较.实验结果表明,基于PSO-ELM模型的短路电流峰值预测方法能够在全相角范围内准确地预测短路电流峰值,可作为低压多层级系统全选择性保护的短路故障预测算法.     

高效率射频功率放大器线性化技术的比较研究

功率放大器广泛用于通信系统和各种电子设备中，设计功率放大器时减小其非线性失真是一个必须考虑的问题。章对射频功率放大器的主要几种线性化技术进行了比较，着重分析了带有失真反馈的前馈技术和预失真技术，并浅析了今后射频系统线性化技术的发展趋势。     

无线数据发送电路的研究与设计——射频功率放大器的匹配

随着现今社会无线传感器网络在不同领域发挥愈来愈重要的作用,人们对功耗低,稳定度高,体积小型化的超短波无线发送装置的需求也越来越高。本论文首先在发射芯片nRF403的基础上,提出一种发射功率在2W左右的无线发送电路的实验方案。论文重点介绍高频功放的工作原理和因为射频功率放大器与发送芯片输入输出阻抗不同而引发的匹配问题。     

基于小波SR-PSO-ELM的面板堆石坝沉降预测组合模型及应用

针对目前常规组合模型在残差序列信息挖掘上的不足,借助小波分析、逐步回归分析和粒子群算法对运行期沉降进行分层次预测,充分提取沉降观测中的非线性和不确定性信息,即利用小波去噪对观测数据进行处理,结合逐步回归模型(S R)对沉降变形的整体趋势层进行预测,并通过粒子群-极限学习机(PSO-ELM)对观测数据中的残差层进行第二层...     

一种基于粒子群优化和核极限学习机的入侵检测算法

针对网络入侵检测准确率低、误报率高的问题,本文提出了一种基于粒子群优化和极限学习机的入侵检测算法。粒子群优化算法(PSO)是一种群智能算法,核极限学习机(KELM)是一种学习速度快、泛化能力强的经典核机器学习的方法,但是极限学习机对核函数及参数的选择直接影响它的分类性能。本文算法中利用粒子群算法优化核极限学习机的核参数,采用学习能力强且线性组合泛化能力强的全局性核函数,形成了多核极限学习机,可以有效提高单核极限学习机（ELM）分类器的性能。最后通过实验对算法性能做了对比分析,实验结果验证了本文算法的有效性。