基于遗传算法改进极限学习机的变压器故障诊断

针对变压器故障的特征,结合变压器油中气体分析法以及三比值法,提出了基于遗传算法改进极限学习机的故障诊断方法。由于输入层与隐含层的权值和阈值是随机产生,传统的极限学习机可能会使隐含层节点过多,训练过程中容易产生过拟合现象。该方法运用遗传算法对极限学习机的输入层与隐含层的权值与阈值进行优化,从而提高模型的稳定性和预测精度。将诊断结果与传统的基于极限学习机故障诊断进行对比,结果表明,基于遗传算法改进极限学习机变压器故障诊断的精度更高。

基于改进遗传算法优化极限学习机的短期电力负荷预测

负荷预测效果直接影响电网的安全稳定和经济效益,是电网调度的重要组成内容。针对极限学习机随机产生输入层权值和隐含层阈值导致网络模型不稳定的问题,提出了一种基于改进遗传算法优化极限学习机的负荷预测方法。利用爬山法改进的遗传算法对极限学习机的权值和阈值进行优化,以获得稳定性强,预测精度高的优化模型。并将此模型与BP网络、极限学习机的预测结果进行对比,仿真实验结果表明,改进模型具有较快的训练速度和更为准确的预测结果,适应于影响因素众多,数据量巨大的现代短期电力负荷预测。

区间极限学习机结合遗传算法用于红外光谱气体浓度反演的研究

提出一种新的有效的FT IR光谱气体浓度反演的方法。该方法将区间划分的思想用于红外光谱波长优化筛选，即将红外光谱在给定波长范围内划分为若干个子区间，在每个子区间中利用遗传算法（genetic algorithm ，GA）优化后的极限学习机（extreme learning machine ，ELM）建立浓度预测模型，根据每个子区间测试集均方根误差RM S E和相关系数 R2的大小评价模型的泛化性能，筛选出最优子区间组合建立预测模型。通过含干扰组分（CO2，N2 O）的CO气体的 FTIR光谱对提出的算法进行了验证，在波段为2140～2220 cm -1范围内利用区间法筛选出的最优组合作为变量，应用GA-ELM 建立的浓度反演模型，其决定系数 R2为0.9874，均方根误差RMSE为154.9963，建模时间仅为0.8 s ，表明该算法（Interval-GA-ELM ，iGELM ）的应用不仅缩短了建模时间，而且在干扰组分存在的情况下，依然可以准确筛选出特征波长，从而提高了模型稳定性和预测精度，为大气污染气体遥测分析提供了行之有效的方法。

基于遗传算法和极限学习机的Fugl-Meyer量表自动评估

为实现脑卒中上肢居家康复评定的自动化和定量化,针对临床上最常用的Fugl-Meyer运动功能评定(FMA)量表,利用极限学习机(ELM)建立了FMA量表得分自动预测模型。选取FMA肩肘部分中的4个动作,采用固定于偏瘫侧前臂和上臂的两个加速度传感器采集24名患者的运动数据,经预处理和特征提取,基于遗传算法(GA)和ELM进行特征选择,分别建立单个动作ELM预测模型和综合预测模型。结果显示,该模型可对FMA肩肘部分得分进行精确的自动预测,预测均方根误差为2.1849分。该方法突破了传统评定中主观性、耗时性的限制及对康复医师或治疗师的依赖性,可方便用于居家康复的评定。

极限学习机和遗传算法在暂态稳定评估特征选择中的应用

特征选择和空间降维是电力系统暂态稳定评估中的关键步骤。针对国内外现有文献所提方法中存在的效率低、分解子集操作结果不理想等问题,提出了基于极限学习机和遗传算法的输入特征选择方法。首先运用遗传算法实现特征选择,再输入优选后的子集,利用极限学习机构造分类器加以稳定性评判。其中,适应度函数考虑了两个要素:一是所选特征子集应对分类结果起到较为重要的作用;二是用作输入的特征项尽可能精简。在英格兰10机39节点系统中进行仿真计算,结果表明,进行特征选择后分类效果优于未进行特征选择情况,与其他文献所选的特征子集相比,该方法所选特征子集的分类准确率更高,证明了其有效性和优越性。

基于遗传算法优化极限学习机的绿色建筑投资估算方法

鉴于绿色建筑造价高于传统建筑,且易出现投资失控等问题,在综合考虑绿色建筑类型、星级、增量成本等12个特征指标的基础上,充分结合遗传算法(GA)与极限学习机(ELM)的各自优点,构建基于GA-ELM的绿色建筑投资估算模型。运用MATLAB软件进行仿真实验,对绿色建筑的投资估算进行预测研究,并将其与ELM、BP神经网络预测结果进行对比。

基于遗传算法和极限学习机的智能算法在基坑变形预测中的应用

为解决传统智能算法网络结构参数复杂、运算速度慢等问题,基于遗传算法和极限学习机构建基坑变形的新型优化智能预测模型。先利用皮尔逊相关系数评价不同影响因素与基坑沉降变形之间的相关性,以确定极限学习机的输入层;再采用试算法确定最优激励函数和隐层节点数,并将遗传算法和极限学习机耦合,利用遗传算法优化极限学习机的初始权值和阈值,以提高预测精度。经实例检验表明:1)开挖时间、开挖深度、土体抗剪参数及重度均与基坑沉降变形显著相关,为构建极限学习机输入层提供了依据;2)在预测过程中,激励函数和隐层节点数对极限学习机的预测效果具有一定的影响,以Sigmiod型激励函数和13个隐层节点数的预测效果为最优;3)通过遗传算法的优化,能进一步提高预测精度,验证了遗传算法的优化能力和有效性。预测模型在不同工况下的预测结果均较优,说明该模型具有较高的稳定性和可靠性。

一种基于遗传算法的极限学习机改进算法研究

针对传统极限学习机(ELM)缺乏有效的训练方法、应用时预测精度不理想这一弱点,提出了一种基于遗传算法(GA)训练极限学习机(GA-ELM)的方法。在该方法中,ELM的输入权值和隐藏层节点阈值映射为GA的染色体向量,GA的适应度函数对应ELM的训练误差;通过GA的遗传操作训练ELM,选出使ELM网络误差最小的输入权值和阈值,从而改善ELM的泛化性能。通过与ELM、I-ELM、OS-ELM、B-ELM4种方法的仿真结果对比,表明遗传算法有效地改善了ELM网络的预测精度和泛化能力。

基于相空间重构和遗传算法优化的极限学习机模型预测基坑变形时序混沌特性

基坑变形是造成施工事故的主要原因之一,其变形特性具有很大不确定性及随机性。为了防止基坑变形事故的发生,实现基坑变形的准确预测,提出一种将相空间重构、遗传算法(GA)、极限学习机(ELM)相结合的基坑变形时序混沌预测模型。首先,对基坑变形量时序进行相空间重构,通过混沌理论中的G-P算法及自相关法获得重构相空间参数;然后,采用相空间重构后的变形时间序列,建立基坑变形量预测的ELM模型,同时采用GA算法对ELM模型参数进行优化。最后,训练得到最优GA-ELM模型。以某基坑为例,采用GA-ELM模型进行变形量的混沌预测。研究结果表明:GA-ELM模型的预测结果优于单一ELM模型的预测结果,预测精度较高,有利于基坑变形的长期预测。

基于遗传算法和正则化极限学习机的PM2.5浓度预测研究

环境质量与人们的健康息息相关,一直是研究的热点。本文选取长沙市2017年NO2、PM10等大气数据对PM2.5日均值进行预测,采用BIC准则进行特征选择。在传统的超限学习机(ELM)的基础上,引入正则化项以控制模型的复杂度,并用遗传算法(GA)对模型的输入层权重矩阵和隐含层阈值矩阵进行优化,建立遗传算法和正则化极限学习机(GA-RE-ELM)的PM2.5预测模型。实验表明,该模型相比BP神经网络、超限学习机有更好的精度,均方误差分别降低了35.09%、25.49%,平均绝对误差分别降低了40.86%、30.80%,平均绝对百分误差分别降低了45.49%、31.65%,为PM2.5浓度的预测提供一种新的方法。

基于随机森林-遗传算法-极限学习机的非侵入式负荷识别方法

提高负荷识别准确率是实现非侵入式负荷监测的关键技术。针对现有模型识别准确率低、特征冗余度高、可分性较差的问题,提出一种基于随机森林(random forest,RF)和遗传算法优化极限学习机(genetic algorithm optimized extreme learning machine,GA-ELM)的负荷识别方法。首先,从稳态电流信号中提取时域和频域信息作为负荷特征;其次,为进一步减小特征集的冗余度并剔除可分性较差的特征,使用随机森林算法对特征进行优选,得到最优特征集;最后,使用遗传算法优化极限学习机的权值和偏置参数,建立负荷识别模型。利用所建立的模型对11个家用电器共16种负荷状态进行识别,实验结果表明,所提模型可以提高识别准确率,对家用负荷可以进行快速有效识别。

基于遗传算法优化极限学习机的炸弹气动参数辨识

炸弹气动参数辨识技术是飞行器气动参数辨识中的关键分支,要提高无控炸弹的命中精度,减少弹药消耗,需要对炸弹的气动参数辨识方法进行研究。针对利用一般极限学习算法进行气动参数辨识时预测精度低、预测结果易发散的问题,应用遗传(GA)算法优化极限学习机(GA-ELM)算法、极限学习(ELM)算法,GA算法优化产生ELM的输入权重和隐含层神经元阈值,可以使得输入权重和阈值包括更多的样本信息,以提高其辨识精度。仿真结果表明:利用遗传算法优化极限学习机可以有效提高辨识精度,辨识结果有较好的收敛,但是由于遗传算法的寻优时间长,整体辨识时间加长。

蝙蝠算法优化极限学习机的电力负荷预测模型

为提高电力负荷预测的准确性,提出蝙蝠算法优化极限学习的电力负荷预测模型.首先收集电力负荷历史数据,然后采用蝙蝠算法对延迟时间和嵌入维以及极限学习的隐含层结点数目进行优化,利用电力负荷历史数据进行重构,最后采用最优隐含层结点数目的极限学习机建立电力负荷预测模型,并采用具体数据仿真测试.实验结果表明:模型建立了整体性能优异的电力负荷预测模型,提高了电力负荷的预测精度.

基于分层极限学习机和局部稀疏模型的视觉跟踪算法

目标跟踪过程中常遇到形变和部分遮挡问题.为了解决该问题,文中提出结合分层极限学习机和自适应结构化局部稀疏外貌模型的视觉跟踪算法.分层极限学习机具有提取鲁棒特征并快速分类的能力.自适应结构化局部稀疏外貌模型可以使跟踪结果更准确,也可以解决部分遮挡问题.在不同视频序列上的性能测试表明文中算法在保持较高跟踪精度的同时,跟踪过程也较稳定.

改进蝙蝠算法优化极限学习机的大坝变形预测模型分析

针对大坝变形监测数据中存在的非线性关系强和传统大坝预测模型精度不高等问题,本文利用改进蝙蝠算法选取最优的参数作为极限学习机的连接权值和阈值,并提出了一种基于改进蝙蝠算法(IBA)优化极限学习机(ELM)的大坝变形预测模型(IBA-ELM)。将IBA-ELM模型应用于工程实例,通过对某地水库大坝监测数据预测分析,验证IBA-ELM模型、BA-ELM和GA-ELM模型预测结果并进行精度评价,3种模型的预测值与实测值平均绝对误差分别为1.178 3、0.459 8、0.335 6 mm, IBA-ELM模型的预测精度高于另外2种模型,表明IBA-ELM模型能有效提高大坝变形预测能力。

基于改进花粉算法的极限学习机分类模型

针对多输出极限学习机(MELM)分类模型输入层权值和阈值随机选取导致的分类精度波动问题,提出一种基于改进花粉算法(CS-ACFPA)的极限学习机多分类模型(CS-ACFPA-MELM)。利用自适应算子和Tent策略优化花粉算法的寻优方式,构造一种基于代价敏感的适应度函数,使花粉算法能够更好地匹配MELM模型的输出,最后使用改进的花粉算法和基于代价敏感的适应度函数优化极限学习机的输入权值和阈值,以提高MELM模型的的分类性能。通过对比实验验证了CS-ACFPA算法对MELM模型改进的有效性,并且体现了CS-ACFPA-MELM模型在大规模样本上的优势以及小样本上的适用性。

一种基于极限学习机融合模型的实时亚表面缺陷深度检测算法

为提高检测亚表面缺陷深度的速度与精度,提出了一种基于极限学习机融合模型的实时亚表面缺陷深度检测算法。首先,构造极限学习机模型将涡流传感器以及超声传感器探测数据转化为导体缺陷在不同深度的概率分布;然后,根据不同传感器采集特点对概率分布进行动态赋权,并采用D-S融合模型计算缺陷深度的概率分布;最后,基于最大概率原则对未知缺陷深度的导体进行分类。实验结果表明,相比单传感器检测方法和传统D-S证据等权融合理论,所提出的检测方法具有更高的精确度和稳定性。

基于K-means聚类和极限学习机组合算法的短期光伏功率预测

考虑光伏功率的预测精度强依赖于天气模态和气候条件等因素影响,提出了基于极限学习机组合算法的短期光伏功率预测方法。首先,基于K-means聚类算法进行天气分型,分为4个季节下晴天、多云天气、阴雨天气共12组不同天气类别。其次,针对天气分型结果,基于极限学习机ELM、遗传算法改进的极限学习机GA-ELM、鸟群算法改进的极限学习机BSA-ELM3种算法构建光伏功率预测模型。最后,以某光伏电站数据进行所提模型验证。预测结果表明,BSA-ELM预测精度最高,12种天气预测精度达到90%左右,各季节中预测精度最高的天气类型均为晴天,多云天气精度高于阴雨天气精度,可为含高比例光伏并网的新型电力系统安全稳定运行提供有效数据支撑。

基于改进核极限学习机和集成算法的脱硫出口SO_(2)浓度预测

脱硫出口SO_(2)浓度的准确预测对实现脱硫系统经济运行具有重要意义,针对脱硫出口SO_(2)浓度影响因素众多,难以准确预测这一问题,提出了基于龙格库塔优化的核极限学习机(KELM)和改进AdaBoost集成算法相结合的预测模型。首先采用核极限学习机作为弱预测器,利用AdaBoost集成算法组合构建强预测器,通过调整脱硫系统不同工况下运行数据权重,建立了一种基于AdaBoost集成算法的出口SO_(2)浓度预测模型。为进一步提升模型学习性能和预测精度,通过引入惩罚系数和先验知识参数改进AdaBoost算法的损失函数,运用龙格库塔算法对KELM的正则系数C和核参数S进行寻优,克服初始参数设置对模型稳定性和预测精度的影响。最后利用电厂运行数据进行仿真实验,结果表明,所建立的出口SO_(2)浓度集成模型预测性能优越、准确度高,能够为脱硫系统优化控制提供技术支持。

基于樽海鞘群极限学习机的进/发一体化性能寻优控制模型研究

为充分发挥航空推进系统的性能,提高性能寻优控制的实时性,将樽海鞘群算法(SSA)与极限学习机(ELM)相结合,基于进/发一体化部件级模型建立数据集,提出一种基于SSA-ELM的数据驱动模型。将该建模方法与广义回归神经网络(GRNN)、BP神经网络(BPNN)和极限学习机(ELM)比较,结果表明,相比于BPNN,ELM,GRNN,SSA-ELM用于预测可以使安装推力的均方根误差(RMSE)分别降低7.41%,17.01%,72.57%,安装油耗的RMSE分别降低4.32%,19.41%,66.77%,具有更高的预测精度。将基于SSA-ELM的数据驱动模型作为机载模型应用到性能寻优控制,结果表明,该机载模型能够维持理想的寻优效果。针对最大安装推力模式开展实时性分析,该机载模型相比于进/发一体化部件级模型,平均计算时间由184.05 ms缩短至1.357 ms,实时性得到显著改善,大大提高了寻优效率。