基于双向门控式宽度学习系统的监测数据结构变形预测

监测数据深度学习预测模型运算量大、实时性差,为此结合宽度学习系统(BLS)和双向长短时记忆(Bi-LSTM)模型的优势,提出基于双向门控式宽度学习系统(Bi-G-BLS)的结构变形预测模型.对BLS的特征节点增加循环反馈和遗忘门结构,提高当前节点对前一节点的依赖关系,分别从正向和反向提取时间序列的内部特征,充分挖掘数据的双向特征,在提高模型预测精确度的同时减少模型预测时间.基于实测的地铁基坑沉降监测数据的测试结果显示,所提预测模型与门控循环单元(GRU)、BLS、Bi-LSTM、G-BLS模型相比,均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)平均分别降低了21.04%、12.81%、24.41%;在预测精度相近的情况下,所提模型的预测时间比Bi-LSTM模型降低了99.59%.结果表明,所提模型在预测速度和精确度上较对比模型有明显提升.

融合 OCEEMDAN的多模态互量纲一化与宽度学习改进的智能故障诊断

滚动轴承作为旋转机械的重要组成部分,在恶劣环境运行导致振动信号具有非线性和非平稳的特点,使得区分故障信号和正常信号变得困难。针对此,提出一种结合多模态互量纲一化(MMDI)与宽度学习系统(BLS)的智能故障诊断方法。通过优化完全自适应噪声集合经验模态(OCEEMDAN)与小波阈值对轴承观测信号进行分解处理,对有效的本征模态函数(IMF)重构并提取MDI,构建了一批MMDI;采用反向传播算法(BP)与堆叠模块方式优化BLS,改进的BLS算法能够快速识别不同的故障类型;最后通过凯斯西储大学轴承数据中心与某实验室提供的轴承数据集对所提方法进行验证,平均准确率分别为99.8%与100%,验证了方法的有效性。

基于广义最大相关熵准则的宽度学习系统

宽度学习系统(broad learning system,BLS)是近几年提出的一种新型判别学习方法,具有结构简单,训练快速的特点,在各种回归和分类问题上得到广泛应用。然而标准的BLS是在最小均方误差(MMSE)准则下推导出来的,对异常值的存在十分敏感,这无疑降低了系统的准确性。为了提高BLS的鲁棒性,有学者提出了最大相关熵准则(MCC)的BLS(C-BLS)。相对于最小均方误差准则,最大相关熵准则包含了更多的高阶误差信息,所以C-BLS对异常值具有良好的鲁棒性。但考虑到相关熵中默认的核函数固定为高斯核,这并不适用于绝大多数情况。本文中引入了以广义高斯密度(GGD)函数作为核函数的广义相关熵,并将广义最大相关熵准则(GMCC)应用于BLS,提出了新的鲁棒算法(GC-BLS)。相较于高斯核函数,广义高斯密度函数更为灵活,高斯核可以看作它的一个特例,在选取适当参数时,GC-BLS将退化为C-BLS,这使得新算法至少能获得与C-BLS算法相当的性能。实验中以均方根误差作为标准,在回归数据集与时间序列数据集上对新算法进行检验,在绝大多数情况下,GC-BLS都能取得相较于其他算法更小的均方根误差。实验表明,该算法是非常稳定的。仿真结果验证了理论上的期望,并验证了新算法的性能。

融合集成算法与宽度学习的商品需求量预测

由于电商订单销售数据中全品类商品的种类繁多、分类多层化,且数据集还存在时序长度分布不均、地区差异、定性变量及非线性特征变量的处理等问题,导致需求量的预测任务较困难。为了解决上述问题,本研究提出一种宽度学习集成框架,将机器学习中的Random Forest、GBDT、XGBoost和LightGBM与宽度学习模型进行随机融合,并分别进行验证,对比模型效果。经实证分析结果表明:LightGBM-BLS模型具有最优的预测性能和计算性能,它在保持LightGBM模型计算优势的同时,大幅度地提升了模型本身的预测精度,使拟合优度达到0.99,评价指标RMSE、MSE降低90%以上,MAE降低85%以上。

基于BLS的铁路安全事件文本分类研究

为预防铁路安全事件的发生,利用文本挖掘相关技术和宽度学习系统(BLS),探讨铁路安全事件分类,包括设备问题、施工问题、作业问题、外部环境问题4大类。通过清洗及结构化314条文本数据,运用Jieba分词+自定义词表+通用停用词表完成中文分词;基于卡方检验建立223个特征词,基于词频-逆文档频率(TF-IDF)计算特征词权重;基于BLS完成事件成因分类,设计3种基于BLS的分类方法。结果表明:该系统通过挖掘铁路安全事件报告的文本信息,能够形成有效的分类模型;利用BLS自身节省算力的特性,并通过添加特征增强节点的方式,可提高分类准确性,从而提高行业管理水平。

基于环境补偿模型的植物净光合速率测定

提高作物的光合作用速率是作物高产育种的有效途径之一。目前主要采用红外气体分析法测定光合作用速率,方法原理可靠、技术成熟,但红外光源易受野外复杂工作环境的影响,尤其是环境温度的变化,因此红外分析法在定量分析的任务需求中测定误差较大且对浓度极低或浓度变化极弱的气体检测精度不高。针对上述问题,首先提出将可调谐半导体激光吸收光谱(TDLAS)技术应用到植物光合速率测定领域,用二次谐波峰值差表征单位采样时间内光合作用气体CO_(2)痕量浓度的相对变化量;其次,建立基于萤火虫算法优化的宽度学习(FA-BLS)环境补偿模型,模型中每只萤火虫的位置信息对应表征宽度学习网络(BLS)权值和阈值的一组可行解,通过萤火虫不断迭代和更新优化来寻找亮度最高的萤火虫位置,即生成使得模型性能最佳的权值和阈值;最后,利用模型输出的补偿值对存在环境影响的原始二次谐波峰值差进行补偿,进而由补偿后的二次谐波峰值差反演得到单位采样时间内的净光合速率。实验结果表明,萤火虫种群规模和BLS网络增强层节点数是影响TDLAS-FA-BLS模型输出误差的重要因素,相比卷积神经网络(CNN)和长短期记忆网络(LSTM)两种深度学习网络,基于TDLAS-FA-BLS的光合速率测定模型很好地继承了BLS网络训练速度快、迭代时间短的优点,平均测量时间仅为0.81s,模型输出误差小,模型预测输出与测试集数据的卡方距离仅为0.29×10^(-4),同时模型输出误差的样本方差和样本标准差均比BLS小,说明FA-BLS模型克服了BLS因随机选取参数导致网络输出结果不稳定和泛化性不高的缺陷,因此,基于TDLAS-FABLS的植物净光合速率测定方法,能够很好地满足在实际农业生产中野外复杂工作环境下测定光合速率的高精度、实时性、稳定可靠等需求。