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%。

基于在线滚动序列核极限学习机的涡轴发动机非线性模型预测控制

针对涡轴发动机控制系统设计,提出了1种基于在线滚动序列核极限学习机的非线性模型预测控制方法。综合考虑直升机旋翼扭矩、燃气涡轮转速、动力涡轮转速、涡轮级间温度和压气机喘振裕度等信息,设计具有较好实时性、精度和泛化能力的多输出在线滚动序列核极限学习机作为预测模型,引入预测模型输出与发动机输出的误差进行反馈校正,利用序列二次规化算法在线求解包含限制约束的预测控制问题。在某型直升机/涡轴发动机综合平台的仿真环境中进行了直升机大幅度机动飞行仿真验证,结果表明:该模型预测控制器相比于传统串级控制具有更好的控制品质,可显著降低动力涡轮转速超调/下垂量。

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。

极限学习机在供水管网爆管定位中的应用研究

针对给水管网爆管定位问题,设定爆管特征值为变量参数,将极限学习机算法与爆管事故水力模拟相结合,建立了管网爆管定位模型,并利用Matlab编程求解。将模型应用于实际管网爆管模拟,对定位方法进行了检验。分析发现压力监测点的布置、爆管管径、爆管节点的流量及其爆管特异性等因素对爆管定位精度产生了综合性影响。其中,模型的爆管定位精度与压力监测点密度及设置的均匀程度呈高度相关。结果表明基于极限学习机的爆管定位模型有较好的使用效果和应用前景。

基于在线序贯极限学习机的温室温度预测方法及其自适应控制系统设计

针对现有的温室控制方法难以对温室系统做出精准预测和有效控制等问题,提出一种基于在线序贯极限学习机(online sequential extreme learning machine,简称OS-ELM)神经网络的温室温度预测及其自适应控制方法。该方法采用OS-ELM神经网络构建温室系统的温度预测模型,并用于温室温度预测;将预测模型的输出作为模糊神经网络控制器(fuzzy neural network controller,简称FNNC)的理想输出参考量,结合FNNC的实际输出量,将FNNC输出误差作为遗传算法(genetic algorithm,简称GA)优化FNNC参数的目标函数,构成在线预测的模糊控制策略。在温室温度预测模型采用物理建模、Elman神经网络建模和OS-ELM神经网络建模方法下对温室温度控制进行试验,结果表明,基于OS-ELM的温室温度预测方法及其自适应控制系统具有较好的性能优势,可有效提高温室的预测和控制精度。

集成机理与数据的复杂模锻过程在线建模方法

大型航空锻件高精度成形成性依赖于精确的锻造过程模型,然而不规则的锻件形状、复杂的微观流变过程、强非线性与时变的负载力使得高精度的锻造过程模型难以获得。为此,在结合解析建模和数据建模优点的基础上,提出了集成机理与数据的复杂模锻过程在线建模方法。应用物理与过程知识推导了锻造过程的解析模型,在此基础上提出使用在线极限学习机方法构建由于泄漏、不确定性、干扰等引起的偏差模型,实现了锻造过程模型的实时进化,从而满足强非线性与时变性的锻造过程要求。实验结果表明,新方法能有效地建立复杂锻造过程模型,且比现有的方法有更好的建模精度。

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。

基于改进ELM的煤矿井下定位算法

提出了一种基于改进极限学习机(ELM,extreme learning machine)神经网络的煤矿井下人员定位算法,针对测距模型易受井下复杂环境干扰,无法准确测距的问题,选用基于指纹的位置匹配模型;使用极限学习机将指纹和位置进行匹配,选用改进鲸鱼优化算法(IWOA,improved whale optimization algorithm)选取ELM合适的输入权值和隐含层阈值,以提高定位精度。在定位的在线阶段,将新的指纹数据代入带动态权值因子的在线顺序极限学习机(DOS-ELM,dynamic weight factor online sequential extreme learning machine)模型对定位模型进行动态调整,以克服电磁传播环境变动使定位结果产生的误差;仿真实验结果表明,该模型的定位误差在1.5 m以内的置信概率为72%,平均定位误差为1.64 m,与其他算法的实验结果相比,文章算法鲁棒性强,定位精度高。

基于PCOS-ELM的室内指纹定位算法

针对传统室内指纹定位算法存在定位精度低、对环境适应能力差的问题,提出了一种基于并行混沌优化的在线连续极限学习机(PCOS-ELM)定位算法。离线阶段,通过并行混沌优化算法(PCOA)对极限学习机的隐含层节点参数进行寻优并构建高精度初始定位模型;在线阶段,利用在线连续极限学习机(OS-ELM)使新增位置指纹数据对定位模型进行动态调整,以适应室内环境的变化。结果表明:提出的PCOS-ELM定位算法具有更高的定位精度和更好的环境适应性。

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。

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.

样本增量型极限学习机的研究及应用

针对原始极限学习机不适于解决在线预测的回归问题,提出一种样本增量型极限学习机算法。极限学习机是一种新型的单隐层前向神经网络,随机设置输入权值和隐层阈值,解析计算获得输出权值。所提算法以极限学习机为基础,引入样本增量的思想,即根据样本之间的实际增量来调整网络的输入权值和阈值,使极限学习机具有样本自适应性和在线辨识能力。通过在UCI数据集和锅炉NOx排放浓度建模上的应用,实验结果表明算法具有良好的回归能力和泛化能力,并且对于解决在线建模问题是有效的。

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。

基于博弈论准确性和差异性兼优的选择性集成建模方法及其应用

集成学习相较于单模型具有更好的预测精度和泛化能力,被广泛应用于工业过程的质量预测.基学习器之间的多样性和基学习器的准确性对集成的泛化能力影响极大.为了进一步提高集成模型的泛化能力,提出一种同时考虑准确性和差异性的选择性集成建模方法.以在线极限学习机作为基学习器,将基学习器的准确性和基学习器对集成模型多样性的贡献率作为博弈双方,利用博弈论原理求解得出使集成模型准确性和多样性都达到最优的选择方案,使集成模型的准确性和多样性兼优;模型预测完成后,综合当前误差和历史记录误差对基学习器的权重进行在线更新,实现在线测量阶段对建模对象特性的动态自适应.最后,使用公开数据集和实际工业数据验证了所提算法的合理性和有效性.

基于现代统计学理论的教育信息化管理系统风险评估

为了提高教育信息化管理系统风险评估的精度,设计了基于现代统计学理论的教育信息化管理系统风险评估模型。构建教育信息化管理系统风险评估指标体系,采用现代统计学理论——在线极限学习机建立教育信息化管理系统风险评估模型,通过教育信息化管理系统风险评估实验进行性能测试。该模型的教育信息化管理系统风险评估精度超过了90%,远远超过实际应用范围的85%,而且评估精度要明显优于其他教育信息化管理系统风险评估模型,具有一定的实际应用价值。

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。