基于PSO-ELM的地震死亡人员评估方法研究

地震灾害人员伤亡快速评估对于地震应急响应至关重要。区域地理环境、人口密度和建筑结构等多种因素对地震人员伤亡具有重要影响,文章针对中国内地按照分区开展地震死亡人员评估方法研究。为充分考虑地震对不同地区造成的差异性影响,根据人口密度、地理环境、建筑结构等情况,将中国大陆划分为西北、西南和东部三个区域,并按地震最大烈度对样本进行分类;然后采用随机森林方法和自助采样法,根据每个特征的重要性排序选取震级、震区面积和人口密度三参数,建立粒子群优化极限学习机(PSO-ELM)地震人员死亡评估模型。研究结果表明,模型在预测性能方面表现良好,在不同地区和烈度下具有较好的适用性和泛化性,能够为地震应急响应和地震灾害风险评估提供重要技术支撑。

基于PSO-ELM的变压器油纸绝缘状态无损评估方法

油浸式电力变压器作为电网的重要组成部分,其可靠运行至关重要。针对变压器长期运行后无法定量评估其绝缘状态的问题,文中开展了油纸绝缘模型的加速老化及受潮试验,探究了油纸绝缘老化及受潮程度对其回复电压曲线的影响规律,并提出采用粒子群优化-极限学习机(particle swarm optimization-extreme learning machine,PSO-ELM)算法的参数预测方法,实现了基于回复电压曲线特征参量的油纸绝缘老化与受潮状态量化评估。由油纸绝缘模型理化性能分析的对比结果可知,基于PSO-ELM方法的预测值精度远高于传统ELM方法,油纸绝缘内含水率及纸板聚合度预测的绝对误差范围分别小于±0.4%、±30。

一种基于PSO-ELM的低渗透砂岩水淹层测井识别方法

水淹层测井识别对油田开发方案部署及提高采收率有着重要意义。新疆陆梁油田作业区某区块油层水淹类型主要为污水水淹,测井响应特征复杂多变,传统识别图版方法难以对水淹层有效识别。文中基于测井、地质、试油等资料,在水淹层测井响应特征分析基础上,提出了一种利用改进粒子群优化算法(Particle Swarm Optimization,PSO)及极限学习机(Extreme Learning Machine,ELM)的水淹层识别方法。首先,利用相关系数优选6个主控因素:RD,RS,GR,SP,DEN,AC。其次,采用改进粒子群算法对极限学习机模型进行参数寻优;最后,利用优化后的模型对研究区水淹层进行预测。结果表明,利用PSO-ELM模型识别水淹层,识别符合率达到91.7%,应用效果优于ELM模型及传统识别图版,为水淹层测井识别提供了新思路。

基于PCA-PSO-ELM模型预测地震死亡人数研究

筛选42个历史地震震例,对地震震级、震源深度、震中烈度、抗震设防烈度、震中烈度与抗震设防烈度之差(ΔL)、人口密度以及发震时刻7个影响指标进行主成分分析(principal components analysis,PCA),构建粒子群优化(particle swarm optimization,PSO)极限学习机(extreme learning machine,ELM)地震死亡人数预测模型。将37个震例数据进行预处理和训练,并使用5个震例数据来检验模型的预测精度。实验结果表明,该PCA-PSO-ELM组合模型的平均误差率为10.87%,相比于PCA-ELM模型和ELM模型,其平均误差率分别降低8.70个百分点和18.38个百分点。因此,采用PCA-PSO-ELM组合模型预测地震死亡人数具有一定的可行性。

基于三维探地雷达和PSO-ELM的地下病害体识别方法——以成都市金牛区为例

准确探明城市道路地下病害体类别,是防止道路塌陷的关键。三维探地雷达是目前最常用的道路病害探测技术,但其数据解释还是以人工解释为主,存在工作量大、识别准确率低等缺点。本文以成都市金牛区为例,在地下病害体频谱特征分析的基础上,提出了一种改进粒子群优化算法(PSO)的极限学习机(ELM)病害体自动预测模型。首先,优选最大峰值振幅、最大波谷振幅、振幅方差、峭度因子、均方值、频谱方差及频谱均值7个特征参数作为模型输入,采用改进粒子群算法对极限学习机模型进行参数寻优;然后利用优化后的ELM模型对研究区地下病害体进行识别。结果显示,PSO-ELM模型的病害体识准确率高达92.5%,识别效果明显优于ELM模型和传统的人工图像特征识别法。

基于PSO-ELM组合算法的热力站负荷预测研究

提出了一种粒子群优化极限学习机(PSO-ELM)算法用于热力站负荷预测,应用粒子群(PSO)算法优化极限学习机(ELM)的输入权值和隐含层阈值。将提出的组合算法应用于天津市某小区热力站的负荷预测中,并与ELM、支持向量回归(SVR)和粒子群优化支持向量回归(PSO-SVR)算法在同等条件下进行比较。结果表明,PSO-ELM在预测精度上优于其他算法;在热负荷波动较大时,表现优于PSO-SVR;在一定范围内样本容量对预测结果影响不大,PSO-ELM可遗忘更多的数据。

基于PSO-ELM的汽车发动机故障诊断模型研究

汽车发动机的可靠性对交通和安全至关重要,快速而准确的故障诊断是确保道路上行车安全和维护车辆性能的关键因素。该文提出了PSO-ELM模型,基于PSO算法优化ELM网络的参数,进一步提高故障诊断的性能,构建基于PSO-ELM的故障预测系统,并对系统登录功能、数据导入功能、信号处理功能和故障预测识别功能进行设计,系统构建结束后,通过与传统方法的性能对比可知,该文提出的PSO-ELM模型在汽车发动机故障诊断方面表现出更高的准确性和效率,预测精度较传统单一ELM模型提高12.5%。研究结果可以更好地监测和预测发动机故障,有望进一步改善车辆的可靠性和安全性。

基于PSO-ELM的高新技术企业财务危机预警研究

针对高新技术企业财务危机预警问题,提出了一种基于PSO-ELM的高新技术企业财务危机预警模型。以80家高新技术企业财务数据作为研究样本,为解决Elm算法准确性受输入端随机参数影响的问题,利用粒子群算法(PSO)对ELM进行参数寻优,筛选后的财务风险评价指标作为PSO-ElM模型的输入进行财务危机预测。对比其他模型,此模型提高了财务危机预警的正确率,尤其对财务危机企业的正确识别率可达到100%。研究结果为高新技术企业财务危机预警提供了一种新途径。

基于PSO-ELM的机器人精度补偿方法研究

为了提高机器人的定位精度,对传统的基于神经网络的机器人精度补偿方法进行改进。采用两种基于粒子群优化的极限学习机(PSO-ELM)模型的精度补偿方法对机器人关节坐标及直角坐标进行补偿。分别对两种方法进行仿真实例分析,并与遗传算法优化的极限学习机(GA-ELM)模型进行对比。仿真结果表明,对直角坐标进行补偿的PSO-ELM机器人精度补偿法优于其他补偿方法,且具有较高的预测精度。

原油期货价格预测模型CEEMDAN-PSO-ELM

为了进一步提升原油期货价格预测的精准性,本文基于CEEMDAN分解算法和ELM极限学习机模型,利用PSO粒子群优化算法对机器学习模型进行参数寻优,进而构建了CEEMDAN-PSO-ELM模型用于原油期货价格预测.先基于CEEMDAN算法对原始价格序列进行分解,然后利用Lempel-Ziv复杂度指数对分量进行重构,得到高频、中频和低频重构分量,再采用PSO-ELM模型对每个重构分量进行预测,利用PACF系数选取模型输入变量,最终加总集成各分量预测结果.实证结果表明,与其他15种基准模型相比,CEEMDAN-PSO-ELM模型的预测性能最佳,MCS检验和DM检验也进一步证实了该模型的稳健性.

粳稻冠层叶绿素含量PSO-ELM 高光谱遥感反演估算

【目的】叶绿素含量是表征粳稻生长状态的重要指示信息,利用无人机高光谱遥感技术及时获取区域尺度的粳稻叶绿素含量。【方法】以2016—2017年沈阳农业大学辽中水稻实验站粳稻无人机遥感试验数据为基础,利用连续投影算法(SPA)进行有效波段的提取,提取的特征波段分别为410、481、533、702和798 nm。将提取出的特征波段作为输入,利用极限学习机(ELM)和粒子群优化的极限学习机(PSO-ELM)分别建立粳稻冠层叶绿素含量反演模型。在PSO-ELM模型中,针对PSO算法的种群规模(p)、惯性权重(w)、学习因子(C1、C2)、速度位置相关系数(m)这5个参数进行了优化。【结果】确定了最优参数:p为80,w为0.9~0.3线性递减,C1和C2分别为2.80和1.10,m为0.60。利用优化后的ELM和PSO-ELM所建立的粳稻冠层叶绿素含量模型的决定系数分别为0.734和0.887,均方根误差分别为1.824和0.783。【结论】利用优化后的PSO-ELM建立的粳稻叶绿素含量反演模型精度要明显高于单纯利用ELM建立的反演模型,前者具有较好的粳稻叶绿素含量反演能力。本研究为东北粳稻叶绿素含量反演无人机遥感诊断提供了数据支撑和应用基础。

基于LMD近似熵和改进PSO-ELM的轴承故障诊断

针对滚动轴承故障特征提取与故障识别困难的问题,提出局部均值分解(LMD)近似熵和改进粒子群优化的极限学习机(PSO-ELM)结合的滚动轴承故障诊断方法。将不同工况信号用LMD分解为一系列乘积分量,不同工况的信号在不同频带的近似熵值会发生改变,结合相关性系数选出前3个分量,计算近似熵定值作为输入的特征向量。针对PSO早熟收敛的缺点,引入自适应权重法与DE算法对PSO进行改进,将特征值输入到改进PSO-ELM网络模型中,对滚动轴承不同工况进行故障识别与分类。结果表明,基于LMD近似熵和改进粒子群优化的ELM不仅能够识别滚动轴承的故障类型,并且有更高的分类正确率,验证了该方法的可行性。

复杂水质环境下基于PSO-ELM的BOD快速检测

针对检测生化需氧量(BOD)的传统五日培养法(BOD5)操作复杂、时效性差的不足,以及水质中复杂环境因素干扰检测过程等问题,提出了基于微生物膜法的快速检测系统,进而以粒子群算法(PSO)优化的极限学习机(ELM)算法来实现BOD检测。检测系统以溶解氧传感器和微生物膜反应器为核心,能够在35 min内完成检测,其中微生物反应器使用功能化的螺旋玻璃管制成,但微生物膜易受水质复杂环境的影响。为此,运用PSO-ELM算法消除水质中浊度(SS)、p H值、氧化还原电位(ORP)对检测结果的干扰,与BP神经网络和ELM算法相比,运行时间分别缩短0.92 s和0.24 s,测试误差分别减小5.3%和4.0%。在实际海水水样的测试结果中,该方法与BOD5法相对误差保持在2.69%~3.86%内。

煤矿突水水源判别的PCA-PSO-ELM模型

在矿井水害防治工作中,对突水水源类型的快速和准确识别尤为重要。选取焦作矿区中36组不同含水层的水样数据,将Ca^(2+)、Mg^(2+)、K^(+)+Na^(+)、HCO_(3)^(-)、Cl^(-)和SO_(4)^(-2)这6种因子作为评价指标,使用主成分分析(principal component analysis,PCA)算法进行降维,消除叠加信息对预测结果的影响,利用粒子群优化(particle swarm optimization,PSO)算法优化极限学习机(extreme learning machine,ELM)神经网络的初始权值和阈值,克服ELM神经网络输入层权重和隐含层偏置具有随机性且隐含层很难确定的缺点,最终建立基于主成分分析-粒子群优化算法-极限学习机(PCA-PAO-ELM)的突水水源判别模型。对比ELM、BP神经网络模型可以看到,经过PCA降维和PSO改进参数的ELM神经网络模型解决了传统模型易陷入局部极小值点和学习过程收敛速度慢的问题,减小了水源识别的误差,提高了模型的泛化性,使预测结果更加可靠,为快速识别突水水源提供了新的思路。

基于EWT多尺度模糊熵和PSO-ELM列车轮损伤检测

针对车轮损伤信号难以检测的问题,提出基于经验小波变换(EWT)的多尺度模糊熵和粒子群优化极限学习机(PSO-ELM)的车轮损伤检测方法。采用EWT分解信号获得若干模态分量,根据相关系数和欧式距离指标,选择最优模态分量,求取其多尺度模糊熵作为特征向量,输入到PSO-ELM分类器中进行分类识别,并与PSO-LSSVM进行对比。研究结果表明,该方法能够有效检测车轮损伤状态,其识别准确率高,效率高,具有较强的工程实用价值。

基于小波分析与PSO-ELM的语音端点检测算法研究

为了提高语音端点检测算法在低信噪比和复杂环境下的检测速度和检测准确度,本文提出了小波分析技术(WA)和粒子群算法(PSO)优化的极限学习机(ELM)相结合的方法.依据小波变换及多分辨率分析原理,提取每帧语音信号特征量,输入ELM神经网络.采用PSO算法选择ELM最优的输入权值和隐含层偏差,进而得到预测结果.通过Matlab仿真可见,与传统端点检测算法和神经网络算法相比,该方法以最简化的网络结构获得了20%以上的速度提升和更加理想的检测准确度.

基于Copula熵因子选取的PSO-ELM台风灾情预测模型

采用ISOMAP-Copula集成方法,分别构造台风灾害的致灾源指数、承灾体指数、防灾减灾指数及灾情指数。借助Copula熵研究台风灾情与影响因子的相关性,构造T检验的阈值,筛选与灾情显著相关的影响因子。构建的ELM和PSO-ELM模型,分别应用于广西台风灾情的预测。结果表明,基于Copula熵影响因子选取的PSO-ELM灾情预测模型的拟合度(0.9121)最高,均方误差(0.0044)最小,说明该模型的预测精度最高,可为广西台风灾情的预测提供一种新的途径。

基于EWT-SSA-PSO-ELM模型的P2P网贷市场收益率预测

鉴于目前鲜有研究关注P2P网贷市场收益率预测问题,针对已有金融市场收益率预测研究存在的不足,提出了一种基于两阶段分解技术和粒子群优化极限学习机的EWT-SSA-PSO-ELM预测模型.引入EWT经验小波分解算法对原始的收益率综指序列进行分解,进而提高原始序列的分解效率;采用Lempel-Ziv复杂度算法提升模式分量重构的科学性,避免以往分量重构过程的随意性;利用SSA奇异谱分解算法对高频重构分量进行降噪,从而提升高频重构分量预测效果.基于该预测模型对P2P网贷市场收益率综指进行预测,实证结果表明,所构建的收益率预测模型的性能显著优于其余基准对比模型.

RS-PSO-ELM下腐蚀管道失效压力预测

为提高腐蚀管道失效压力的预测精度并简化其计算过程,提出基于粗糙集(RS)和粒子群算法(PSO)融合极限学习机(ELM)的腐蚀管道失效压力预测模型。通过属性约简提取影响失效压力的关键因素,选用PSO优化ELM的输入权值和隐含层偏差,将归一化的核心指标数据代入计算。结果表明:该模型预测结果与实际值基本一致,与单一ELM模型相比,预测结果的均方差(MSE)降至0.255;与其他蚀管道失效压力评价模型相比,该模型预测结果的绝对误差平均值降至0.32。

基于PSO-ELM算法实现船舶发电机组故障识别

针对船舶发电机组的不同故障类型,通过传感器采集不同故障下柴油机缸盖处的振动信号,构成大量数据集,选取部分数据集作为样本数据。通过EEMD算法对样本数据进行分解降噪,把一维数据分解成能反映柴油机工况信息的多维数据,对分解形成的多维数据使用KICA算法进行特征提取,并对提取后的数据进行训练集、验证集分组。使用PSO-ELM算法搭建故障识别模型,并使用训练集训练模型,使用验证集验证模型,根据验证结果评价模型是否满足故障识别的精确度。