一种改进的集成在线顺序极限学习机

针对传统的集成在线顺序极限学习机在集成决策时忽略各个学习机的分类性能而平均设置集成权重,导致集成系统分类准确率较低且不稳定,就此提出一种新的集成规则。在改进的方法中,首先根据每个在线顺序极限学习机在验证集上的分类准确率对被集成的学习机进行筛选;其次,再根据每个被集成进来的学习机在验证集上的分类准确率设置该学习机的集成投票权重。在四个标准分类数据集上的实验结果表明,本文提出的集成在线顺序极限学习机能够以更高的稳定性获得更高的分类准确率。

基于粒子群优化在线顺序极限学习机动态环境室内定位算法

动态环境室内定位容易受到人员随机行动、障碍物等环境的干扰,信号强度的时变性、数据采集的不稳定性对定位算法产生很大的影响。针对该问题,本文提出了一种基于粒子群优化在线顺序极限学习机算法(Particle swarm optimization online sequential extreme learning machine,PSO⁃OS⁃ELM)。该算法继承了在线顺序极限学习机(Online sequential extreme learning machine,OS⁃ELM)算法的数据采集成本低、适应环境变化快、收敛速度较快且定位精度较高等特性,同时又利用粒子群优化(Particle swarm optimization,PSO)解决OS⁃ELM算法中奇异值问题和鲁棒性问题。在3种不同环境下采集数据,将PSO⁃OS⁃ELM算法、OS⁃ELM算法和WKNN算法进行实验对比。实验结果表明:在动态变化的室内环境中,PSO⁃OS⁃ELM算法定位误差较小且鲁棒性增强,优于其他算法;平均定位误差相较于其他算法减少了约15%;算法耗时性相较于传统定位算法加权K近邻算法(Weighted K⁃nearest neighbor,WKNN)算法减少了约55%。

含有L_(21)范数正则化的在线顺序RVFL算法

单隐层前馈神经网络(SLFN)以其量级轻、参数量少、训练成本低等优点,目前被广泛地运用于函数逼近处理、模式识别和控制领域中。随机向量函数连接网络(RVFL)作为SLFN的一种,能够将输入层与输出层做直接相连,加强输出层与输入层的关联。然而目前的预测任务中,已经训练好的网络在面对批量数据会随时间不断变化的情况时,则容易显露出泛化能力不足问题。为了提升网络的泛化能力,并防止重复训练,本文提出了一种在线顺序的RVFL算法,使用L_(21)范数实现正则化。在UCI数据集上经过对多种相关参数的最佳选择后,与同类型的RVFL算法和LR_(21)-RVFL算法相比,本文提出的LR_(21)-OSRVFL算法在多种评价指标下均有更优表现。

基于R-OSELM的海洋环境数据在线预测

为及时辨识海洋环境的变化趋势和降低长期累积的海洋环境数据对预测模型的影响,提出一种基于循环在线顺序极限学习机(Recurrent Online Sequential Extreme Learning Machine R-OSELM)的海洋环境数据在线预测模型.采用完全在线的方法初始化海洋环境数据训练集,通过在线顺序极限学习机算法对已有的海洋环境数据进行逐块输入,利用极限学习机的自动编码技术与一种归一化方法对输入权重循环处理,实现预测模型的在线更新,最后完成对海洋环境数据的在线预测.使用该模型对溶解氧、叶绿素a、浊度、蓝绿藻进行预测,结果表明R-OSELM模型的预测精度高于对比模型,确定其具备海洋环境数据在线预测能力,可为海洋水域水体富营养化与海洋环境污染预警提供参考.

不均衡小样本下多特征优化选择的生命体触电故障识别方法

针对现有的剩余电流保护装置无法有效识别触电事故的问题,该文提出了一种不均衡小样本下多特征优化选择的生命体触电故障识别方法。首先通过变分自编码器(VAE)对实验收集到的生命体触电小样本数据进行增殖以实现正负样本均衡;然后在时域上提取能够反映波形动态变化特性的23个特征量,并利用高斯核Fisher判别分析(GKFDA)与最大信息系数(MIC)法从中选择最优表达特征组;最后,提出基于遗忘因子的在线顺序极限学习机(FOS-ELM)算法实现生命体触电行为的鉴别。实验结果表明,所提方法利用不均衡小样本触电数据集就可以训练出一个优秀的分类模型,诊断准确率可达98.75%,诊断时间仅为1.33 ms。其优良的性能结合在线增量式学习分类器设计,使得模型具备新知识学习能力,具有极好的工程应用前景。

一种高速贴片机在线贴装优化方法研究

贴装顺序是影响高速贴片机生产效率的关键因素,为了提高贴片机生产效率,研究多贴片头高速贴片机贴装顺序优化问题,通过吸嘴选择与分配和贴装顺序优化,提出一种在线贴装优化方法。实验以自主研发的高速贴片机为平台,验证优化方法的性能;实验结果表明该方法可以进一步提高高速贴片机的生产效率。

基于改进OS-ELM的煤矿微震事件在线识别方法

煤矿微震事件是在采矿过程中发生的一种诱发地震,其中大能量的微震事件会引发冲击地压事故,是煤矿井下开采的危害之一。针对煤矿微震信号识别,现有微震事件识别方法仍然存在识别精度低、时延明显问题。为此,提出一种基于改进OS-ELM的煤矿微震事件在线识别方法,首先利用极值连接降维对原始微震数据进行预处理,将预处理之后的微震数据作为OS-ELM模型的输入,将OSELM训练得到的输出权值,作为下一次的更新信息,建立OS-ELM分类器模型,然后增加滑动窗口机制,实现对海量微震信号的在线分批训练和预测,从训练和预测方面提高速度和精度。试验结果表明,改进后的OS-ELM算法与OS-ELM和ELM分类算法相比,不仅能保持较好的训练和识别精度,同时大幅提高了运算速度。

基于CPA-OSELM的热轧带钢厚度在线预测

为解决自动厚度控制(automatic gauge control, AGC)系统反馈滞后、耦合强、厚度偏差大等问题,提出了一种基于食肉植物算法(carnivorous plant algorithm, CPA)的在线顺序极限学习机(online sequential extreme learning machine, OSELM)预测算法。首先,基于从现场采集的相关数据,建立了OSELM在线厚度预测模型。然后为了提高模型的准确性及稳定性,采用CPA方法优化OSELM的权重和偏置。在此基础上,运用自学习方法进一步提高模型的预测精度。最后,通过实验验证基于CPA-OSELM预测模型的有效性。实验结果表明:基于CPA-OSELM的方法能够对不同规格带钢的出口厚度进行高精度在线预测,预测结果可用于提升AGC模型的控制精度,为提升带钢产品质量奠定基础。

基于MA-FOSELM-OTF的海洋养殖环境数据在线预测

为降低过时海洋养殖环境数据对后续学习的影响和解决单一模型随机初始化输入权重的问题,提出一种基于MA-FOSELM-OTF的海洋养殖环境在线预测模型.采用模型平均化(model averaging,MA)算法对全在线顺序极限学习机(fully online sequential extreme learning machine,FOSELM)进行集成,以降低输入权重初始化引起的随机性;在FOSELM中引入过时遗忘机制(obsolete to forget,OTF),对过时的数据进行遗忘加权,降低其对顺序学习的影响;利用FOSELM递推计算所得输出结果集成所有输出结果,取其平均值作为MA-FOSELM-OTF在线预测模型的最终输出.结果表明,MA-FOSELM-OTF在海洋养殖环境数据在线预测任务中的预测性能优于其他对比模型,可为海洋养殖预警平台提供参考.

基于LLE-OS-ELM的锂离子电池热过程在线建模

锂离子电池的热过程具有机理复杂、时变及强非线性的特征,难以建立准确的预测模型。提出一种基于局部线性嵌入(LLE)方法和在线顺序超限学习机(OS-ELM)的在线时空建模方法。利用LLE,从电池时空温度数据分离出空间基函数和时间系数;然后,基于OS-ELM建立输入信号与时间系数的在线时序模型;最后,通过时空综合,重构电池温度分布。以三元正极材料软包装锂离子电池为例,验证所提出方法的有效性。与基于卡洛南-洛伊(KL)的在线时空建模方法(KL-OS-ELM)及二维电-热建模方法(Th2Sim)相比,该方法具有较高的预测能力,时间标准绝对误差在区间[0.0524,0.0764]内,均方根误差达到0.0752。

煤矿井下动态环境基于WiFi的OSELM算法研究

针对煤矿井下环境高动态变化,导致WiFi指纹匹配定位模型精度降低的问题,提出在线顺序极限学习机(OSELM)的井下定位算法,利用新增接收信号强度指示(RSSI)数据实现对模型的在线实时更新,同时赋予新增数据时效性权重来改进OSELM算法,在保证定位精度的前提下减少数据采集和模型训练工作量。实验结果表明:与传统的批量学习方法相比,利用OSELM在线学习能力可以改善由于井下环境高动态变化导致定位模型精度降低的问题,并且改进的OSELM算法能更有效提升模型定位精度。

基于EOS-ELM的高频地波雷达有效波高反演

高频地波雷达(HFSWR)海面回波谱中包含海态信息,通常基于一阶谱和二阶谱特征信息分别建立拟合模型来反演有效波高,但是单独利用一阶和二阶谱信息来反演波高,会分别存在一阶谱能量饱和和二阶谱信噪比低的问题。本文基于集成在线顺序极限学习机(EOS-ELM)的方法,利用高频地波雷达数据,综合考虑一阶谱和二阶谱的特征信息来进行有效波高的反演。学习机能够有效选择一阶谱和二阶谱信息,使结果达到最优化,从而提高有效波高的反演精度。针对低海况的数据,本文通过分析确定波高分类阈值,将数据分段进行波高反演,进一步提高了波高反演的精度。

基于时空建模的锂离子电池温度预测

锂离子电池温度具有时空耦合、强非线性和时变特性,建立准确的预测模型有困难。提出一种基于时空建模的锂离子电池温度分布预测方法。利用正交局部保持投影(OLPP)将电池温度分离为正交空间基函数和时间系数。以电流、电压为输入,时间系数为输出,建立基于带遗忘因子的在线顺序超限学习机(FFOS-ELM)的低阶时序模型。通过时空合成,重构出原始的温度分布。三元软包装锂离子电池温度预测结果表明,与基于拉普拉斯特征映射和在线顺序极限学习机的在线时空建模方法(LE-OS-ELM)相比,所提方法的预测精度更高,在恒流放电和城市动力测驾循环(UDDS)工况下,时间标准绝对误差分别在(0.030,0.155)和(0.095,0.110)区间内,均方根误差分别为0.097 2及0.108 4。

模锻过程结合机理与数据的智能控制方法

大型模锻成形过程是一个复杂的非线性时变过程,包括锻件流变成形过程与液压系统驱动过程,以及还存在油液泄漏等众多不确定性因素,导致精准锻造过程控制异常困难。为此,在结合基于机理模型控制与数据控制优点的基础上,提出了基于物理模型结合在线顺序极限学习机的智能控制方法。该方法首先使用已知的系统信息推导出名义控制律;其次,针对模型不确定性部分,使用在线顺序极限学习机设计出该在线模型的补偿控制律;最后,建立了基于机理模型与数据模型的集成控制器,获得了最佳控制律。仿真结果表明,新方法能有效地控制复杂的锻造过程,且比现有的方法有更好的控制精度。

基于双层特征选择的空中目标分类算法研究

空中生物和非生物目标的分类是机场鸟击防治工作中的重要一环。基于轨迹信息的目标分类具有轨迹信息获得容易、部分特征区分度高的优势,但是不当的特征选择会导致近距离轨迹样本分类误差大。针对该问题,提出了一种基于双层特征选择的空中目标分类算法。首先对动态目标三维轨迹数据进行充分的特征提取,扩大特征选择范围;其次通过设计的双层特征选择算法选择特征子集,减少算法运算量,提高分类精细度;最后通过在线顺序极限学习机(OSELM)实现空中生物和非生物目标的实时分类。实验结果表明,所提算法兼顾了分类的精度与速度,分类精度达到了99.7%,平均分类时间仅为1.26 ms,满足了实时监测预警的需求。所提算法为机场条件下空中目标的实时分类提供了一种极具潜力的解决方案。