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。

基于增量学习支持向量机的音频例子识别与检索

音频例子识别与检索的主要任务是构造一个良好的分类学习机 ,而在构造过程中 ,从含有冗余样本的训练库中选择最佳训练例子、节省学习机的训练时间是构造分类机面临的一个挑战 ,尤其是对含有大样本训练库音频例子的识别 由于支持向量是支持向量机中的关键例子 ,提出了增量学习支持向量机训练算法 在这个算法中 ,训练样本被分成训练子库按批次进行训练 ,每次训练中 ,只保留支持向量 ,去除非支持向量 与普通和减量支持向量机对比的实验表明 ,算法在显著减少训练时间前提下 。

基于BWO-DBSCAN和CSA-OCRKELM的变电站数据流异常检测方法

为了提升变电站数据流检测的实时性与准确性,提出一种使用白鲸优化(beluga whale optimization,BWO)算法优化基于密度的噪声应用空间聚类(density based spatial clustering of applications with noise,DBSCAN)算法,与使用圆圈搜索算法(circle search algorithm,CSA)优化单分类正则核极限学习机(one class regularized kernel extreme learning machine,OCRKELM)相结合的变电站通信网络数据流异常检测方法。首先,利用BWO-DBSCAN对正常数据流进行聚类,形成样本簇;其次,通过CSA-OCRKELM模型对异常数据流进行实时检测;最后,利用OPNET仿真软件仿真模拟变电站的通信行为并进行对比分析,验证所提方法的有效性。仿真实验结果表明所构建检测模型的检测率约为99%,较其他检测模型具有较高的性能与准确率。

基于正则化核最大边界投影维数约简的滚动轴承故障诊断

针对旋转机械故障诊断中故障样本获取困难的现状,提出一种基于正则化核最大边界投影(Regularized Kernel Maximum Margin Projection,RKMMP)维数约简的滚动轴承故障诊断方法。该方法首先利用RKMMP对小样本、少标记信息的混合故障样本集进行训练降维,然后将降维后的低维敏感特征子集输入到核极限学习机(Kernel Extreme Learning Machine,KLEM)分类器中进行故障识别。上述方法的特点是所提出的RKMMP能充分利用少量标记样本信息与大量无标记样本的故障信息,避免过学习的缺陷,同时通过添加正则化项克服小样本问题。滚动轴承故障模拟实验表明:该方法结合了RKMMP在维数约简和KLEM在模式识别上的优势,在一定程度上能提升故障诊断的泛化能力与识别精度。该研究可为解决好故障诊断中样本获取困难的问题,提供理论参考依据。