基于KB-IELM的航空装备状态预测方法研究

针对现有预测方法对动态系统瞬时状态预测能力精度较低的问题,以超限学习机(ELM)为建模基础,将基于核的增量极限学习机应用于状态预测。由于增量学习的应用,使得模型中可以适用在线状态数据按照时间序列到达的特点,避免重新训练并减少时间的开销。同时核函数的应用有效提高了模型的计算效率,在提高算法稳定性的同时,有效提高了状态预测的准确性。以两个实例来进行仿真实验。结果表明所提算法与相比于ReOS-ELM、ALD-KOS-ELM和FOKELM三种方法,具有明显的优势。

在线广义神经网络交通状态预测的网格并行算法

针对城市大规模路网交通状态在线预测问题,采集出租车上的全球定位系统数据作为浮动汽车数据(FCD),采用广义神经网络理论,应用网格并行算法,通过加速广义神经网络的收敛和学习速度,构建了在线交通状态预测新模型.实验结果表明,该算法实现了在线广义神经网络交通状态预测模型的并行计算,提高了预测模型的计算速度,满足大规模交通路网实时、高效的在线交通状态预测的实际需求.