基于DBN-ELM的构网型并网逆变器控制参数自适应调整方法

“双高”电力系统中电网阻抗呈现宽范围时变特性,构网型并网逆变器控制参数缺乏自适应调整能力,存在失稳风险。对此,提出一种基于深度置信网络-极限学习机的构网型并网逆变器控制参数自适应调整方法。建立闭环极点映射模型,利用深层架构对控制参数与关键极点之间的映射关系进行训练;通过训练好的闭环极点映射模型预测得到相应的关键极点,识别出关键极点最接近参考极点时构网型并网逆变器的控制参数;通过自适应调整控制参数,确保系统在电网阻抗变化时跟踪参考极点,实现自适应稳定控制。理论分析和仿真结果均表明,所提方法能够实现控制参数的自适应调整,有效提高构网型并网逆变器对电网阻抗变化的适应性。

基于改进深度置信网络的UWB无线定位方法

针对传统指纹定位算法中接收信号强度值在室内复杂环境中波动较大,指纹信息不可靠,造成定位精度不足的问题,提出了一种以测距值作为指纹信息的基于深度置信网络和极限学习机的超宽带定位方法。首先在深度置信网络底层采用多个堆叠受限玻尔兹曼机对输入数据做无监督学习,来提取深层次特征,然后在顶层选用极限学习机对输入数据及位置标签进行有监督学习。建立指纹库阶段,为优化指纹采集过程并减少人工勘测成本,提出一种基于高斯过程回归的超宽带指纹库扩充方法。真实场景下实验结果显示,视距环境和非视距环境中,该定位方法均能够达到厘米级定位精度。

基于深度信念网络的循环流化床SO_(2)排放浓度预测

我国火电机组超低排放要求二氧化硫排放时,其质量浓度小于35 mg/m3,精准预测SO_(2)排放浓度并加以控制对于火电机组环保运行具有重要意义。针对循环流化床SO_(2)排放浓度预测问题,引入深度机器学习方法建立了基于深度信念网络的SO_(2)排放浓度预测模型。首先,通过机理分析确定影响SO_(2)排放浓度的操作变量,并作为模型输入;其次,利用DBN网络提取模型输入的深度特征,以ELM作为回归器建立预测模型;最后,将DBN-ELM模型与目前常用的3种SO_(2)排放浓度预测模型进行了对比,结果表明,该模型均方根误差、平均绝对误差分别为175.3 mg/m^(3)、117.6 mg/m^(3),预测精度远高于其他3种对比模型,在实际工程中更具有应用价值。

基于油中溶解气体分析的DBN-SSAELM变压器故障诊断方法

为了保证油浸式变压器故障诊断精度的同时,提高诊断方法的收敛速度以及泛化能力,提出一种基于DBN-SSAELM的变压器故障诊断方法。首先,利用深度置信网络(deep belief networks, DBN)对油中溶解气体浓度比值数据进行特征提取。其次,利用具有较强学习能力的极限学习机(extreme learning machine, ELM)替换传统DBN分类模型中的Softmax分类器,深入分析特征值与故障类型之间的关联性,提高模型的收敛速度。然后,利用麻雀搜索算法(sparrow search algorithm, SSA)优化ELM模型的输入权值和隐藏层节点偏置,以提高模型诊断结果的准确率和稳定性。最后,选用准确率、查全率、查准率和收敛速度对优化前后的模型进行性能评估。最终实验结果表明:所提出的DBN-SSAELM变压器故障诊断方法,故障诊断准确率高、泛化能力强、稳定性好,平均准确率达到96.50%,适用于变压器故障诊断。

基于PSO-DBN的风电机组齿轮箱运行状态识别

为了准确监测到风电机组齿轮箱的运行状态以实现其早期预警,提出了一种基于改进深度置信网络(Deep Belief Net-works,DBN)的运行状态识别方法。首先,利用粒子群算法(Particle Swarm Optimization,PSO)优化DBN网络的结构参数,运用最优的DBN网络结构提取样本数据特征。将特征通过多维尺度分析(Multidimensional Scaling,MDS)算法映射到低维空间,在低维空间内依据欧氏距离构建齿轮箱状态指标,结合状态指标实现样本数据标签化。再采用标签化的样本数据训练极限学习机(Extreme Learning Machine,ELM)模型,识别齿轮箱的运行状态。结果表明,该方法的识别准确率达到95.61%,不仅深度挖掘到样本数据的特征信息,还通过构建状态指标为无标签的样本数据处理提供了参考。

基于优化DBN-ELM的电力系统宽频振荡监测

为了提高宽频带振荡分类的准确率,提出一种基于优化深度置信网络(deep belief networks,DBN)和极限学习机(extreme learning machine,ELM)模型的宽频振荡监测方法。首先,采用混沛粒子群算法优化的DBN对宽频振荡信号进行特征提取,完成对输入数据的降维处理。然后,将特征矩阵输入到天牛须搜索算法优化后的ELM网络,进行振荡分类。最后,采用优化的DBN-ELM模型对系统仿真的宽频振荡信号进行监测和分类。结果表明,该方法对具有时变和非线性特性的宽频振荡具有更高的分类准确率和更短的分类时间。

基于DTCN-KELM的制糖过程建模与优化

吨蔗能耗和蔗糖色值是制糖过程中两个重要的工艺指标,然而目前这两个指标均无法在线获取。此外,当生产状况发生变化时,依靠人工经验进行参数设定难以获得稳定的生产质量。为了解决这两个问题,提出一种融合深度时间卷积网络和核极限学习机的数据驱动建模方法,实现了2个工艺指标的在线预测。此外,在数据驱动模型的基础上,构建了工艺指标优化模型,并采用改进的麻雀搜索算法进行迭代计算,实现了2个工艺指标的优化。计算实验结果表明:所提出模型的预测可决系数均超过0.9,并与其他4种模型相比具有更高的预测精度。此外,通过求解工艺指标优化模型,优化后的吨蔗能耗降低了1.47%,蔗糖色值降低了2.57%,2个指标得到了较大的改善。

基于深度回归网络的航煤水分离指数分析方法研究

水分离指数是航空煤油的重要评价指标,然而窄带吸收光谱法进行航煤水分离指数测量时存在精度低、稳定性差等问题。针对此问题,搭建一个航煤水分离指数分析系统平台,并提出一种基于深度回归网络的航煤水分离指数的分析方法。该方法首先对采集到的紫外吸收光谱进行预处理,然后通过深度信念网络来对光谱数据进行深度特征提取,最后使用极限学习机来对所提取的特征进行训练,构建一个可实现高精度、稳定测量的航煤水分离指数分析模型。结果表明:水分离指数标准值为65、70、89时,模型预测平均值为64.99、69.59、88.96,且最大相对误差控制在2%以内。该算法在精度和稳定性上具有明显优势,适合航空煤油水分离指数测量的实际需求。

基于深度信念网络的模拟电路故障诊断

为及时精准地发现模拟电路故障,保障电子仪表的安全稳定运行,提出了基于深度信念网络的模拟电路故障诊断方法。采用自动编码器模拟电路初始故障信号进行降噪处理,将降噪后信号输入到深度信念网络中提取特征,极限学习机根据特征建立故障诊断模型,结果表明,深度信念网络可以有效提取模拟电路各类故障特征,模拟电路各类故障的整体诊断精确率可达到98.47%,可为模拟电路保障诊断提供了一种新的工具。

基于极限学习的深度学习算法

在使用传统的全局优化方法对整个深度信念网(DBN)进行优化的过程中需要大量的时间,且基于梯度的优化方法易陷入局部最优。为加快DBN的训练速度,将极限学习机(ELM)运用到DBN模型的训练中。分别将传统DBN与改进后的IDBN算法应用在手写体数据集MNIST、Binary Alphadigits数据集和USPS数据集上,实验结果表明,改进后的IDBN算法能够保证已有的学习准确性,提高学习的速度。

基于EMD与深度信念网络的滚动轴承故障特征分析与诊断方法

为了实现滚动轴承故障的智能诊断,提出了一种基于经验模态分解(Empirical mode decomposition,EMD)和深度信念网络(Deep belief network,DBN)的轴承故障诊断模型。首先,采用经验模态分解对振动信号进行处理,选取有效的本征模态函数(Intrinsic mode function,IMF)分量及其Hilbert包络谱、边际谱,计算其统计参数,构造原始特征集;然后,提出了一种基于极限学习机(Extreme learning machine,ELM)的特征选择方法 (Features selection base on ELM,FSELM),以去除原始特征集中的冗余和干扰特征,选取出故障状态敏感特征;最后,利用深度学习在高维、非线性信号处理方面的优势,完成基于DBN的故障特征自适应分析与故障状态智能识别。通过对12种轴承状态进行分类实验,表明FSELM方法能够选取出故障的敏感统计特征,DBN方法的自适应特性能够有效提高故障状态识别准确率。

基于DBN-ELM的聚丙烯熔融指数的软测量

针对聚丙烯熔融指数软测量中预测精度不高的缺点,将基于深度置信网络-极限学习机(DBN-ELM)的软测量方法应用到熔融指数的软测量中。与传统深度置信网络(DBN)不同的是,该方法将极限学习机(ELM)算法运用到深度置信网络的训练中。首先用深度置信网络对原始数据进行数值分析来提取特征,然后将提取的特征输入到极限学习机中进行训练,得到软测量模型。实验验证表明,与支持向量机和单纯的深度置信网络模型相比,该方法具有更高的测量精度。

基于数据挖掘的电子皮带秤皮带跑偏检测

为提高电子皮带秤连续累计称量精度,针对严重影响精度的电子皮带秤跑偏,采用对皮带秤现有原始传感器的数据挖掘实现跑偏量实时在线检测,以取代传统硬件检测设备。引入流形学习和深度学习,分别提出了基于局部切空间排列(local tangent space alignment,LTSA)+广义回归神经网络(generalized regression neural networks,GRNN)和基于连续深度置信网络(continuous deep belief networks,CDBN)的在线跑偏特征提取模型,再结合极限学习机(extreme learning machine,ELM)以跑偏特征为模型输入进行跑偏量预测。最后通过试验对该文提出的在线跑偏量预测模型的性能进行了验证:LTSA+GRNN+ELM平均跑偏预测精度为93.33%,平均每组预测时间38.29 ms;CDBN+ELM预测精度则高达98.61%,平均每组预测时间1.47 ms。二者预测精度和实时性皆表明能取代传统硬件检测装置,为皮带跑偏检测提供了一种方法,为进一步的皮带秤在线精度补偿和故障预测提供了必要依据。

CDBN-IKELM的轴承变工况故障诊断方法

针对现有方法在轴承变工况方面存在的诊断精度低、人工提取特征不充分等问题,提出了基于卷积深度置信网络(convolutional deep belief network,简称CDBN)与改进核极限学习机(improved Kernel-based extreme learning machine,简称IKELM)的滚动轴承故障智能识别方法。首先,由卷积深度置信网络对原始信号内的故障特征进行深层自适应提取;其次,利用等距特征映射对提取的多维特征进行降维,去除冗余特征信息;然后,采用改进的核极限学习机对特征进行分类,使用粒子群(particle swarm optimization,简称PSO)对模型重要参数进行优化,实现滚动轴承变工况下的故障识别;最后,将所提方法应用于不同工况下多种轴承故障的诊断。实验结果表明,该方法能够智能有效地识别变工况的轴承故障,诊断结果优于已有的智能故障诊断方法。

基于深度信念网络和极限学习机的SO2浓度检测

使用差分吸收光谱技术(Differential optical absorption spectroscopy,DOAS)进行工业在线气体检测,在气体浓度较低时,其光谱吸收不明显,信噪比较低,通过传统方法来对工业气体浓度进行反演,预测结果难以满足工业应用具体要求。针对SO2气体的差分吸收光谱特点,采用氚灯作为光源,采集189.73~644 nm波段内的标准浓度SO2的吸收光谱高维数据,选取吸收光谱数据并进行预处理,然后利用训练集数据建立深度信念网络模型进行低维特征提取。在此基础上,利用训练数据的低维嵌入特征构建极限学习机反演模型,实现SO2气体浓度计算,并对该模型进行了有效性测试,从而得到一种更加精确的SO2气体浓度在线检测方法。

极限学习机前沿进展与趋势

极限学习机(Extreme Learning Machine,ELM)作为前馈神经网络学习中一种全新的训练框架,在行为识别、情感识别和故障诊断等方面被广泛应用,引起了各个领域的高度关注和深入研究.ELM最初是针对单隐层前馈神经网络的学习速度而提出的,之后又被众多学者扩展到多隐层前馈神经网络中.该算法的核心思想是随机选取网络的输入权值和隐层偏置,在训练过程中保持不变,仅需要优化隐层神经元个数.网络的输出权值则是通过最小化平方损失函数,来求解Moore - Penrose广义逆运算得到最小范数最小二乘解.相比于其它传统的基于梯度的前馈神经网络学习算法,ELM具有实现简单,学习速度极快和人为干预较少等显著优势,已成为当前人工智能领域最热门的研究方向之一.ELM的学习理论表明,当隐层神经元的学习参数独立于训练样本随机生成,只要前馈神经网络的激活函数是非线性分段连续的,就可以逼近任意连续目标函数或分类任务中的任何复杂决策边界.近年来,随机神经元也逐步在越来越多的深度学习中使用,而ELM可以为其提供使用的理论基础.本文首先概述了ELM的发展历程,接着详细阐述了ELM的工作原理.然后对ELM理论和应用的最新研究进展进行了归纳总结,着重讨论并分析了自ELM提出以来的主要学习算法和模型,包括提出的原因、核心思想、求解方法、各自的优缺点以及相关问题.最后,针对当前的研究现状,指出了ELM存在的争议、问题和挑战,并对未来的研究方向和发展趋势进行了展望。

融合深度置信网络与与核极限学习机算法的核磁共振测井储层渗透率预测方法

由于低孔低渗储层孔隙结构较为复杂,现有核磁共振(NMR)测井渗透率模型对于低孔低渗储层预测精度不高。为此,提出一种融合深度置信网络(DBN)算法与核极限学习机(KELM)算法的渗透率预测方法。该方法首先对DBN模型进行预训练,然后将KELM模型作为预测器放置在训练好DBN模型后,利用训练数据进行有监督的训练,最终形成深度置信-核极限学习机(DBKELMN)模型。考虑到该模型需充分利用反映孔隙结构的横向弛豫时间谱信息,将离散化后的核磁共振测井横向弛豫时间谱作为输入,渗透率作为输出,确定NMR测井横向弛豫时间谱与渗透率的函数关系,并基于该函数关系对储层渗透率进行预测。实例应用表明,融合DBN算法与KELM算法的渗透率预测方法是有效的,预测样本的平均绝对误差(MAE)较斯伦贝谢道尔研究中心(SDR)模型降低了0.34。融合DBN算法与KELM算法的渗透率预测方法可提高低孔渗储层渗透率预测精度,可应用于油气田勘探开发。

基于DBN-ELM的入侵检测研究

为了有效解决海量复杂数据的入侵检测分类问题,基于深度信念网络(DBN)和极限学习机(ELM),提出一种新的入侵检测方法。使用DBN对大量复杂无标签的原始数据进行特征提取,得到高度抽象的重要特征,再用ELM完成最终的分类工作。结合DBN自动提取特征的能力和ELM快速学习且泛化性好的优势,提高入侵检测识别率和运行效率。实验结果表明,与原始的DBN、ELM以及DBN-SVM方法相比,该方法具有更优的精确度和运行效率。

基于DBN-ELM的球磨机料位软测量方法研究

针对采用传统方法建立球磨机料位软测量模型存在测量精度不高和稳定性较低的缺点,提出一种结合深度信念网络和极限学习机的软测量方法。该方法以球磨机轴承振动信号为辅助变量,采用深度信念网络进行振动信号功率谱的特征提取,然后将提取的有效特征输入极限学习机进行模型训练,得到软测量模型。最后在小型实验室球磨机上进行试验和模型验证。结果表明,该方法与传统方法相比具有较高的测量精度和较好的稳定性。

基于改进在线序列极限学习机的AMI入侵检测算法

针对智能电网高级量测体系(AMI)与计算机网络互联通信中存在的安全威胁,提出一种基于改进在线序列简化极核极限学习机(DBN-OS-RKELM)的AMI入侵检测算法。将采集到的历史网络日志数据通过深度信念网络进行重要特征提取,并在特征学习过程中实现高维数据的低维表示以减少冗余特征,同时将当前新到达的网络日志数据添加到DBN-OS-RKELM网络中进行输出权重的实时更新,从而完成AMI入侵检测的分类。实验结果表明,与基于极限学习机和在线序列极限学习机等的入侵检测算法相比,基于DBN-OS-RKELM的入侵检测算法具有更好的泛化能力与更快的学习速率,且提高了入侵检测准确率。