基于PSO-ELM算法的煤泥浮选加药量预测研究

为了提高煤泥浮选加药量的预测精度,基于粒子群极限学习机(PSO-ELM)算法对煤泥浮选加药量进行预测。以浮选时的煤浆原煤量、原煤灰分和煤种作为模型输入变量,药剂的添加量作为输出变量建立PSO-ELM预测模型,对内部参数进行训练并进行仿真验证和对比实验。结果表明:采用PSO-ELM预测模型的药剂添加量预测精度更高,达到96.94%,能够在保证产品质量的前提下有效降低捕收剂和起泡剂的消耗量,进而提高精煤的产量。

基于改进ELM算法的水电站数字孪生系统仿真实验

为提高水电站数字孪生系统信息物理融合网络安全检测的准确率,提出一种基于改进极限学习机(ELM)的检测方法。以ELM算法为基础检测算法,通过改进其加权方式,同时引入头脑风暴优化算法(BSO)确定ELM的最佳输入权重和隐含层偏置参数;最后,将改进的ELM算法应用于水电站CPS网络安全检测中。仿真结果表明,改进ELM算法在数字孪生的CPS网络安全检测中具有明显的优势,检测准确率、检测率、召回率更高,误报率更低,且检测时间仅为0.39 s,表现出良好的实时性。改进的BSO-ELM方法可实现水电站数字孪生系统CPS网络的安全检测,提高数字孪生系统的安全性。

在线序列ELM算法及其发展

目的综述在线序列ELM算法及其改进,为相关研究者提供该研究方向的发展历史和最新结果。方法从在线序列ELM的基本思想与基本理论出发,通过分析总结其优点与不足,概括基于不同角度的在线序列ELM算法改进。结果对在线序列ELM算法及其发展进行了全面系统的分析、归纳和总结。结论在线序列ELM算法的主要发展方向可聚焦于:如何建立新的可调整网络结构的在线序列ELM算法,以及如何提高算法稳定性两个方面。

基于Softplus激活函数和改进Fisher判别的ELM算法

在极限学习机(extreme learning machine,ELM)网络中,对可加型隐单元的激活函数通常选择的是Sigmoid函数.因此,首先提出一种新型修正线性函数的近似平滑函数Softplus来替代它.Softplus激活函数因为更接近生物学的激活模型且具有一定的稀疏能力,可进一步优化网络性能.其次,为了使ELM算法训练的网络具有更好的分类性能,考虑了类内距和类间距的约束,提出了基于改进Fisher判别约束的ELM算法,从而使解析求得的输出权值更加利于分类,进一步改进了识别性能.最后,在手写数字库和人脸库上的实验证明了改进ELM算法的可行性和优越性.

ELM算法中随机映射作用的实验研究

通过实验研究ELM算法中随机映射的作用及神经网络中隐含层结点个数对网络泛化能力的影响。在35个数据集上进行实验,针对不同的数据集,找到网络的最优精度所对应的隐含层结点个数。实验结果表明,当随机映射使数据升维到一定维数时,网络性能得到提高。

Tsne降维可视化分析及飞蛾火焰优化ELM算法在电力负荷预测中应用

电力系统的稳定运行具有负荷平衡的强约束性,准确的电力负荷预测在保证电力系统规划与可靠、经济运行方面具有十分重要的意义,影响着电力系统的诸多决策,如经济调度、自动发电控制、安全评估、维护调度和能源商业化等。该文针对电力负荷预测的多种气象因素影响,提出一种基于Tsne降维可视化分析及飞蛾火焰优化ELM算法(MFOELM)的电力负荷预测新方法。针对影响电力负荷预测的高维气象数据,采用改进的SNE降维可视化分析方法Tsne,解决了数据拥挤造成可视化效果不佳且数据结构易发生改变的问题,通过与Kpca、SNE降维方法的对比实验,证明了Tsne可以更好地将高维气象数据向低维空间映射,较高地保持高维空间中的数据结构并改善数据可视化效果;针对ELM负荷预测模型的局限,利用MFO在求解具有约束和未知搜索空间的复杂问题时具有的优越性对ELM优化,更好地解决了ELM权值输出不稳定,易陷入局部最小值等问题。通过对SAELM、PSOELM、MFOELM三种预测算法进行寻优实验,结果表明MFO不但具有更快的求解速度,而且提高了ELM的预测精度。通过对国际公开的美国日气象数据降维,协同负荷数据进行预测进行对比实验,证明了该文方法的有效性和优越性。该文方法在唐山实际电网负荷预测中应用,为制定合理的电网运行方式提供依据。

基于ELM算法的复杂工件成品在线检验自动分类方法

为解决工件成品因人工检验分类速度慢导致的高速自动化生产线效率低下,探讨了ELM算法在工件成品在线检验自动分类中的应用。分析了速度失配的缘由,讨论了ELM分类算法的原理与实现分类的流程,最后用几种分类算法类比结果证实了该算法的高分类精度。应用结果表明：ELM算法是一种解决高速自动化生产线产品检验分类的好方法。

基于在线序列ELM算法的高效股票预测

传统的股票预测方法通常采用前一段时间的股票价格预测后一段时间的股票价格.本文提出了一种仅用前一天的股票数据预测后一段时间的股票数据的新方法,先对股市收集到的原始数据进行错位排序,然后采用在线序列ELM算法进行预测.预测结果显示,这样不仅预测精度高,而且速度也很快.

基于增强随机搜索的OECI-ELM算法

为提高OCI-ELM算法性能,从神经网络结构设计出发,将EI-ELM中增强随机搜索能力的机制应用于OCI-ELM算法中,提出一种增长结构的新算法(Optimal Incremental Coefficients-Extreme Learning Machine,OECI-ELM).数值实验表明,由该算法得到的网络序列可以逼近任意连续的目标函数.对于不同的回归问题,与OCI-ELM、EI-ELM、CI-ELM、ECI-ELM算法相比,OECI-ELM算法可获得更加紧凑的网络结构,且泛化能力也更强.

基于ELM算法的起重船摆动轨迹跟踪

起重船进行海洋作业时,难免会受到风浪的影响,船体随之发生摇摆,使得起重船无法正常作业。船舶摇摆是一个复杂的非线性运动,神经网络具有很好的在线学习预测的能力,对此本文提出一种基于极端学习机ELM算法的轨迹跟踪方法,对起重船的摆动进行实时跟踪预测,在MATLAB中仿真出跟踪效果图,并与传统的BP神经网络算法对比,得出ELM具有更快更准确的跟踪预测能力,突出了ELM算法的优越性,最后可将此方法用于吊摆控制系统中。

动态在线序列ELM算法

本文提出一种在线序列学习过程中不断调整网络结构的算法,克服传统在线序列ELM一旦学习开始便无法对其网络结构做任何更改的困难。结合ELM已存在的改进算法,探寻适合在线序列ELM算法网络结构的调整策略。动态在线序列ELM算法可以解决在线序列ELM目前面临的挑战。

基于R-ELM算法的火电发电量预测

R-ELM算法是将极限学习机(ELM)算法和递归预测相结合的系统动态建模方法,即对ELM中的隐含层节点数进行递归寻优,得到最优隐含层节点数。现建立了一种基于R-ELM算法的火电企业短期日发电量预测模型,该模型根据气象预报中日最高温度和日最低温度,利用过去一段时间的火电实际发电量数据来预测未来4~7天的短期日发电量值。实践结果显示,R-ELM算法能快速找到最优隐含层节点数,提高预测精度和泛化能力。

基于ELM算法的智能快递柜逾期计费模型研究

疫情背景下,无接触式取件需求提高了快递柜的使用频率,快递柜收费的合理性也逐渐受大家的关注,文中针对目前快递柜逾期收费规则不合理的情况,综合考虑了消费者的反馈信息、管理者干预、行业限制等因素,研究了基于ELM算法的新型逾期计费模型,以此提高逾期费用反映快递柜被占用成本的准确性和提升消费者的满意度水平,并用MATLAB软件进行了随机情境下的仿真模拟,仿真结果表明新型计费模型能更好地将消费者剩余价值返还给用户,验证了模型的有效性。

基于改进极限学习算法的电力信息数据融合模型

针对电力通信网络中电力流和信息流交互能力差,导致电力信息数据效用低,无法满足实际新型电力系统需求的问题,提出一种基于通信数据融合方法的改进极限学习算法来提高新型电力系统中电力信息数据采集和高能效的数据处理性能。首先,采用低秩自回归张量补全(Low-rank Autoregressive Tensor Completion,LATC)算法来整合电力流、信息流传递回终端的多源异构数据,并消减缺失数据影响;进一步采用极限学习机(Extreme Learning Machine,ELM)算法将数据间的联系构建为数据特征,并输出特征集完成数据特征级融合。随后,为了提高融合任务中的融合准确率,在极限学习机中加入注意力机制作为底层基础架构。最后,实验结果表明了该方法的有效性。

PCA-ELMBJ算法下右删失生存数据分析

针对右删失不完全数据,通过Buckley-James估计器(BJ)进行无偏变换.同时,将主成分分析(PCA)方法与算法相结合,提出了PCA-ELMBJ集成算法.通过随机生成不同删失率下的模拟数据,采用C-index评价指标,验证了PCA-ELMBJ集成算法比原先的ELMBJ集成算法预测效果更好,运行时间更短.最后,通过对带有右删失的TCGAmirna和EMTAB386基因特征数据的实证分析,进一步说明了所提出的PCA-ELMBJ集成算法的准确性和有效性.

基于ELM算法的羊肉水分含量的快速无损检测

在近红外光谱900-1700nm的波长范围内采集南疆羊肉的光谱数据,来研究水分含量的快速无损检测.为减弱非目标因素对光谱的影响,采用SNV和去趋势法对光谱数据进行预处理.为降低建模的复杂度,去除共线性的影响,采用连续投影算法和相关系数法相结合选取8个特征波长变量,最后使用PLS和ELM算法分别进行建模.实验表明,与采用全光谱波段建模相比,采用特征波长变量建模,PLS和ELM算法的运行时间都大大缩短,并且在运行时间和预测精度上,ELM算法均优于PLS算法.ELM算法采用8个特征波段变量建模,预测精度达到0.9768,均方误差为4.4291e-04,相关系数为0.7603,运行时间可控制在1e-04s之下,这可为研发羊肉水分含量的便携式检测装置提供理论参考.

自适应噪声对消中的 ELMS 算法及其变步长算法

基于对ＬＭＳ算法的研究，提出一种适用于自适应噪声对消（ＡＮＣ）系统的ＥＬＭＳ算法结构，分析比较了ＥＬＭＳ算法与ＬＭＳ算法的统计性能，还提出了一种较为实用的变步长归一化ＭＶＳ－ＡＮＥＬＭＳ算法．大量的计算机模拟仿真论证了新算法的优越性．

一种改进的变步长ELMS算法

在简单讨论基小最小均方(LMS)算法的基础上,引入了扩展的最小均方(ELMS)算法,并分析说明了该算法能达到更小的稳态MSE。改进的变步长ELMS算法是在对有用信号的预测中采用了自适应为归一化的的最小均方(NLMS)预测估计器,步长的迭代中引入遗忘因子λi,利用其与误差信号的加权和来产生新的步长参与迭代。理论分析与计算机仿真结果表明,该算法有较好的收敛性能和较小的稳态失调。

ELMS算法及其变步长算法研究

在分析LMS算法的基础之上,对作为其改进算法的ELMS算法进行了研究,并对二者的性能进行了分析比较,指出了ELMS算法的优越性。进而,提出了一种变步长ELMS算法(VSS-ELMS),理论分析和计算机仿真均表明该算法具有较快的收敛速度和更好的稳态性能,可以很好地应用于自适应系统中。

一种改进变步长ELMS算法及其在自适应消噪中的应用

在简单讨论LM S算法的基础上,引入了ELM S算法,分析说明了该算法能达到更小的稳态M SE.改进的变步长ELM S算法是在对有用信号的预测中采用了自适应NLM S预测估计器,步长迭代中引入遗忘因子iλ,利用其与误差信号的加权和产生新的步长参与迭代.不仅对所提算法的收敛性及性能进行了分析,并将其用于自适应噪声对消中获得了成功.仿真结果表明,该算法有较好的收敛性能和较小的稳态失调.