基于自适应差分进化算法优化极限学习机的球磨机料位测量

极限学习机在实际应用中具有学习速度快、训练误差小的优点,但其稳定性与泛化能力却较差。针对其缺点,将自适应差分进化算法引入极限学习机对其改进,利用自适应差分进化算法的全局寻优能力,求取训练误差较小时极限学习机的输入权值矩阵以及隐含层偏置矩阵,从而优化极限学习机。将优化后的极限学习机应用于球磨机料位测量,实验结果表明,优化后的极限学习机与传统极限学习机相比具有较高的测量精度和较好的稳定性。

基于自适应差分进化算法优化极限学习机的干旱预测方法

针对极限学习机在实际应用时随机选取初始权值与阈值易导致其稳定性弱及泛化能力差的问题,利用自适应差分进化算法对其进行改进,构建了自适应差分进化极限学习机预测模型,并选用海表异常温度作为该模型的输入因子,对研究区域的干旱进行预测。结果表明,以海表异常温度作为模型的输入因子,应用极限学习机能有效地进行干旱预测,通过自适应差分进化算法优化的极限学习机应用于干旱预测,其精度与稳定性均有所提高。

基于改进差分进化算法优化极限学习机的短期负荷预测

负荷预测的精度直接关系到电网的供需平衡,影响着电网运营成本。针对传统预测方法精度不高的缺点,提出了一种改进的差分进化算法优化极限学习机的预测模型。由于极限学习机的输入权值和隐含层偏置对预测精度有很大影响,因而利用改进差分进化算法对极限学习机参数进行优化,提高了极限学习机的泛化能力和预测精度。研究结果表明:改进差分进化算法优化极限学习机对短期负荷预测精度有较高提升。

一种融合反向学习机制与差分进化策略的蛇优化算法

蛇优化(snake optimizer,SO)算法存在前期收敛速度慢和易陷入局部最优的问题,为此提出一种融合反向学习机制与差分进化策略的改进蛇优化(improved snake optimizer,ISO)算法。反向学习机制可提高种群质量,以提升算法寻优速度;差分进化策略有助于算法精准寻优,降低算法陷入局部最优的几率。在10个基准测试函数上的实验结果表明,ISO算法拥有更高的寻优精度和更快的收敛速率。将其应用于支持向量机(support vector machine,SVM)的参数选取中,进一步验证了ISO算法的有效性。

基于差分进化改进混合核极限学习机的指纹定位

针对极限学习机(extreme learning machine,ELM)指纹定位泛化性能弱、鲁棒性差等问题,提出一种改进的差分进化算法优化混合核极限学习机的指纹定位方法。该方法利用改进型的Logistic混沌映射提高差分进化算法全局搜索的能力,同时利用动态控制参数法避免差分进化算法陷入局部最优,然后通过改进差分进化算法自适应调整混合核极限学习机的参数,提高训练效率。在线阶段,利用混合核函数提高极限学习机的学习性能和泛化性能,并引入L1惩罚函数防止过拟合。其泛化能力相较于单一核极限学习机提升明显。该方法有92%的测试点定位误差小于0.5 m,平均误差相较于加权K近邻法(weighted Knearest neighbor,WKNN)降低了32.6%。

基于金枪鱼群算法优化极限学习机的混凝土抗压强度预测

混凝土抗压强度是建筑结构设计与评价的一个重要指标,它直接关乎建筑的质量与安全。为解决现有机器学习模型对其预测存在预测耗时长、精度不够高,不能很好地满足施工现场对混凝土抗压强度预测实时性与准确性要求的问题,提出一套基于新式仿生算法金枪鱼群算法优化极限学习机(TSO-ELM)的混凝土抗压强度预测方法。该方法通过对ELM隐藏层初始参数中的连接权值与偏置值使用TSO进行寻优,有效提升了ELM的预测准确度。在仿真实验部分,通过两组混凝土数据集对ELM的预测速度、TSO的寻优能力、TSO-ELM模型的泛化性逐一进行验证。结果表明,该方法可以有效提高预测的速度与精准度,迭代次数更少,同时具有良好的泛化性,为现场施工及时进行混凝土抗压强度的预测提供了一种新方法。

基于3种新型群体智能算法优化正则化极限学习机的三峡水库入库日径流预测

准确预测的入库日径流在水库优化调度中发挥着重要作用。为提高预测精度,提出一种基于小波包变换(WPT)和蜣螂优化(DBO)算法、珍鲹优化(GTO)算法、泥环算法(MRA)优化正则化极限学习机(RELM)的预测模型,并将其应用于三峡水库入库日径流预测研究。首先,利用WPT将三峡水库入库日径流时间序列分解为1个周期项分量和1个波动项分量;其次,利用DBO、GTO、MRA分别优化RELM输入层权值和隐含层偏差,建立WPT-DBO-RELM、WPT-GTO-RELM、WPT-MRA-RELM模型;最后,利用所建立的3种模型分别对入库日径流周期项分量和波动项分量进行预测和重构,并构建基于极限学习机(ELM)的WPT-DBO-ELM、WPT-GTO-ELM、WPT-MRA-ELM模型、基于BP神经网络的WPT-DBO-BP、WPT-GTO-BP、WPT-MRA-BP模型、未经优化的WPT-RELM、WPT-ELM、WPT-BP模型和未经分解的DBO-RELM、GTO-RELM、MRA-RELM模型作对比分析模型。结果表明:①WPT-DBO-RELM、WPT-GTO-RELM、WPT-MRA-RELM模型对三峡水库入库日径流预测的平均绝对百分比误差MAPE分别为0.512%、0.519%、0.762%,平均绝对误差MAE分别为54.05、55.97、86.76 m^(3)/s,均方根误差RMSE分别为84.99、84.81、128.18 m^(3)/s,决定系数DC≥0.9994,希尔不等系数TIC≤0.00517,预测效果优于其他12种模型,具有更高的预测精度和更好的泛化能力。②DBO、GTO、MRA能有效优化RELM网络参数,显著提高RELM预测性能。③引入正则化项的RELM可有效防止预测模型过拟合,提高模型的泛化能力,预测性能优于ELM、BP网络。④所构建的3种模型预测精度高、计算规模小,是一种有效的入库日径流时间序列预测模型。

基于数据分解与斑马算法优化的混合核极限学习机月径流预测

为提高月径流预测精度,改进混合核极限学习机(HKELM)预测性能,提出小波包分解(WPT)-斑马优化算法(ZOA)-HKELM组合模型。利用WPT处理月径流时序数据,构建局部高斯径向基核函数和全局多项式核函数相混合的HKELM;通过ZOA优化HKELM超参数(正则化参数、核参数、权重系数),建立WPT-ZOA-HKELM组合模型,并构建WPT-遗传算法(GA)-HKELM、WPT-灰狼优化(GWO)算法-HKELM、WPT-鲸鱼优化算法(WOA)-HKELM、WPT-ZOA-极限学习机(ELM)、WPT-ZOA-最小二乘支持向量机(LSSVM)、ZOA-HKELM作对比模型,通过黑河流域莺落峡、讨赖河水文站月径流时间序列预测实例对各模型进行检验。结果表明:(1)莺落峡、讨赖河水文站月径流时间序列WPT-ZOA-HKELM模型预测的平均绝对百分比误差分别为1.054%、0.761%,决定系数均达0.999 9,优于其他对比模型,具有更高的预测精度,预测效果更好。(2)利用ZOA优化HKELM超参数,可提高HKELM预测性能,优化效果优于GWO、WOA、GA。(3)预测模型能充分发挥WPT、ZOA和HKELM优势,提高月径流预测精度;在相同分解和优化情形下,HKELM的预测性能优于ELM、LSSVM。

多极小波包变换与改进浣熊算法优化的混合核极限学习机径流预测

为提高日径流多步预测精度,减少模型计算规模,同时提升浣熊优化(COA)算法和混合核极限学习机(HKELM)性能,提出多极小波包变换(MWPT)-改进COA算法(ICOA)-HKELM日径流时间序列预测模型。首先,利用MWPT将日径流时序数据分解为1个低频分量和2个高频分量,并构建局部高斯径向基核函数和全局多项式核函数相混合的HKELM;其次,简要介绍COA算法原理,基于Circle映射等策略对COA进行改进,提出ICOA算法,通过8个典型函数对ICOA算法进行仿真验证,并与基本COA算法、鲸鱼优化算法(WOA)、灰狼优化算法(GWO)作对比,旨在验证ICOA算法的优化性能;最后,利用ICOA优化HKELM超参数(正则化参数、核参数、权重系数),建立MWPT-ICOA-HKELM模型,并构建MWPT-COA-HKELM、MWPT-WOA-HKELM、MWPT-GWO-HKELM、小波包变换(WPT)-ICOA-HKELM、小波变换(WT)-ICOA-HKELM、MWPT-ICOA-BP模型作对比分析,通过云南省景东、把边水文站2016-2020年日径流时间序列多步预测实例对各模型进行验证。结果表明:(1)ICOA具有较好的改进效果,仿真精度优于COA、WOA、GWO算法。(2)MWPT-ICOA-HKELM模型预测效果优于其他对比模型,其对实例单步预测效果“最好”,超前3步和超前5步“较好”,超前7步“较差”,预测精度随预测步长的增加而降低。(3)利用ICOA优化HKELM超参数,可显著提高HKELM预测性能,超参数优化效果优于COA、WOA、GWO算法。

基于改进野狗优化算法优化极限学习机的空调负荷预测方法

针对目前短期空调负荷预测方法预测精度低、稳定性差等问题,提出一种基于微生物遗传算法(Microbial genetic algorithm,MGA)和野狗优化算法(Dingo optimization algorithm,DOA)优化极限学习机(Extreme learning machine,ELM)的空调负荷预测模型。首先利用DOA优化ELM的输入权值和隐层阈值,建立DOA-ELM预测模型,利用MGA改进DOA-ELM模型的预测稳定性和预测精度,建立(Microbial genetic algorithm Dingo optimization algorithm-Extreme learning machine)MDOA-ELM预测模型。为降低预测模型的维度,通过灰色关联分析(GRA)筛选影响空调负荷的输入输出因素。为验证算法有效性,以某工厂中央空调系统为例进行实例分析。实验结果表明,所建负荷预测模型相较于对比模型预测精度高,稳定性好,因此可更好地满足工程实际需求。

基于深度信念极限学习机与卷积优化算法的洪水预报方法

针对洪水峰高量大、汇流时间短以及流域地貌复杂,导致洪水预报难度大和预报精度不理想的问题,提出一种基于深度信念极限学习机(DBN-ELM)和改进卷积优化算法(ICOA)的ICOA-DBN-ELM模型。以渭河上游北道水文站点2006~2020年的日径流数据作为输入数据,并将该模型与BP、ELM、DBN-BP、DBN-ELM、COA-DBN-ELM模型进行对比。结果表明,所建立的ICOA-DBN-ELM模型有更好的预报精度,在洪水预报领域具有良好的应用前景。

伪对立学习与差分进化的改进鲸鱼优化算法及图像分割应用

针对多阈值图像分割计算代价高、分割精度差的不足,提出伪对立学习与差分进化的改进鲸鱼优化最大熵多阈值图像分割算法。为了提升传统鲸鱼算法的寻优精度和收敛速率,引入伪对立学习和混沌Tent映射进行种群初始化,提升种群多样性和初始解质量,扩大精英个体对种群进化的引领作用;引入差分进化增强种群全局搜索能力,避免迭代后期陷入局部最优,进而实现改进算法OLDWOA。以最大熵函数评估适应度,利用OLDWOA对图像分割多阈值组合寻优,确定最优阈值。利用经典图像做图像分割实验,在计算效率、峰值信噪比、结构相似度和特征相似度指标上对比,证实该方法分割精度和分割效率优于同类算法。

基于改进非洲秃鹫算法优化极限学习机的船舶运动预测

针对船舶运动预测模型精度不高而造成预测结果误差大的问题,提出一种利用改进非洲秃鹫优化算法(IAVOA)优化模型参数的极限学习机(ELM)预测模型,对船舶运动状况进行预测。在初始化种群时引入Circle混沌映射,增加种群的多样性;加入自适应算子,调整两类秃鹫对其他秃鹫的指引作用,提升算法的收敛速度和解的质量。利用IAVOA优化的ELM模型对船模水池试验运动数据进行预测,并采用均方根误差和平均绝对误差评判该预测模型,与现有其他启发式算法优化ELM模型比较,所提出的IAVOA-ELM具有更优的预测精度和泛化能力。

基于粒子群差分进化极限学习机的电力系统故障诊断模型

针对电力系统发生的故障进行快速诊断,对电网及时恢复供电、降低故障影响具有非同寻常的意义。为了有效处理电力系统故障中存在的保护继电器和断路器运行的不确定性,提出了一种基于多重随机变异粒子群差分进化算法(MRPSODE)的极限学习机故障诊断模型,利用MRPSODE算法确定极限学习机最佳的隐含层节点个数,实现高效率的故障诊断。采用交叉验证方法降低噪声对原始样本数据的影响,确保诊断性能。实际故障案例的仿真分析结果表明,所提方法能够成功诊断复杂故障,与其他方法相比具有较强的竞争力。

FOA优化极限学习机算法及模型应用研究

传统极限学习机算法输入权重和单元偏置是随机确定的,这会导致算法性能不高,因而采用果蝇优化算法进行优化。分析了果蝇优化算法的流程,并和遗传算法、粒子群算法进行对比,通过求解Schaffer函数最优化问题验证了果蝇优化算法具有良好的优化性能。在此基础上,将果蝇优化算法优化极限学习机,提出改进的极限学习机算法。将改进极限学习机算法和极限学习机算法应用于化工企业竞争力预测中,结果表明,改进极限学习机算法对化工企业竞争力预测的准确率明显高于极限学习机算法,同时运行时间相差非常小。FOA优化极限学习机模型对其他预测问题的解决提供了参考。

基于改进灰狼优化核极限学习机的疾病诊断模型

为提高疾病诊断的效率,本文提出一种改进的灰狼优化算法与核极限学习机的混合模型。通过引入一种新的机制提高灰狼优化算法的探索与利用能力,改进的灰狼优化算法在进行特征选择的同时,也对核极限学习机的2个关键参数进行优化,模型在2个疾病数据集上进行实验验证。实验结果显示:提出的模型在准确率、敏感性、特异性等评价指标方面相对于其他混合模型高出约1%~2%,带特征选择的优化模型相对于没有特征选择的模型在评价指标上也高出约1%~2%。结果表明提出的模型具有一定的优势。

基于灰狼算法和极限学习机的风速多步预测

为了提高风速的多步预测水平,提出了一种基于数据信号分解和灰狼算法优化极限学习机的混合预测模型。首先,使用具有自适应噪声的完全集成经验模态分解算法将原始风速时间序列分解为若干本征模态函数和一个残差序列,并使用偏自相关函数法对模型输入进行特征选择;其次,在分解子序列上分别建立模型并进行预测,构造多输入多输出策略的极限学习机神经网络,使用灰狼优化算法求解其中的最优化隐含层权值和偏置;最后,对子序列进行重构并得到最终的预测结果。使用时间分辨率为15 min的多组实测资料开展模拟实验,所提模型在3个风电场的均方根误差分别为0.859、0.925、0.927 m/s,均低于其他对比模型,验证了该模型在未来4 h风速预测即16步预测中的有效性。

鲸鱼算法改进极限学习机的葡萄酒品质评价研究

[目的]解决近红外光谱中冗余信息过多的问题,提升葡萄酒品质评价模型的准确性,并构建一种快速无损的葡萄酒品质评价方法。[方法]运用竞争性自适应重加权采样法进行特征波长筛选,提出了鲸鱼算法改进极限学习机的葡萄酒品质评价模型。通过自适应重加权采样法等多种特征波长筛选方法,确定了最适用于葡萄酒光谱特征波长筛选的方法;针对ELM的初值权值与隐含层偏置选取问题,利用鲸鱼优化方法对初值权值与隐含层偏置进行优化,从而构建了一种基于鲸鱼优化算法改进的极限学习机葡萄酒品质评价模型。[结果]与GA-ELM、PSO-ELM和传统的ELM模型相比,WOA-ELM的准确率最高,达到了0.9445,GA-ELM的准确率为0.9290,PSO-ELM的准确率为0.9061,传统的ELM方法准确率为0.8177。[结论]通过智能算法优化ELM模型的参数,可以有效提高葡萄酒品质评价的准确性。

基于超参数优化的极限学习机区域水资源短缺风险评价

为科学评价区域水资源短缺风险水平,改进极限学习机(ELM)评价性能,提出晶体结构算法(CryStAl)、鹈鹕优化算法(POA)与ELM组合的水资源短缺风险评价模型,并通过云南省水资源短缺风险评价实例进行验证。首先,简要介绍CryStAl、POA原理,通过4个标准函数对CryStAl、POA进行仿真测试;其次,建立水资源短缺风险评价指标体系和等级标准,采用线性内插和随机选取的方法生成样本,并构建ELM超参数优化适应度函数;最后,采用CryStAl、POA对适应度函数进行寻优,利用寻优获得的最佳ELM超参数建立CryStAl-ELM、POA-ELM模型对实例各年度水资源短缺风险进行评价,结果与模糊综合评价法、CryStAl-SVM、POA-SVM、ELM、SVM模型的评价结果作对比。结果表明:CryStAl、POA具有较好的寻优精度及全局搜索能力;CryStAl-ELM、POA-ELM模型对检验样本评价的平均绝对百分比误差(MAPE)分别为0.077%、0.083%,评价精度较CryStAl-SVM、POA-SVM模型提高57.7%以上,较SELM、SVM模型提高83.5%以上;CryStAl、POA能有效优化ELM超参数,提高ELM的评价性能。CryStAl-ELM、POA-ELM模型评价结果表明,实例2006年~2008年水资源短缺风险为“较高风险”,2009年~2012年为“中风险”,2013年~2019年为“较低风险”,2020年~2025年为“低风险”;近15年来云南省水资源短缺风险水平呈下降趋势,且下降趋势显著。

基于ICEEMDAN和松鼠算法优化极限学习机的滚动轴承故障诊断

针对滚动轴承故障识别问题,提出了一种基于改进的自适应噪声完备集合经验模态分解(ICEEMDAN)和松鼠搜索算法(SSA)优化极限学习机(ELM)的轴承故障诊断方法。该方法首先通过ICEEMDAN对滚动轴承振动信号进行分解,得到若干本征模态函数(IMF);其次,根据相关系数筛选出相关性高,具有代表意义的IMF分量并计算出其奇异值来构建特征向量;最后,将提取到的特征向量输入到松鼠搜索算法优化后的ELM中进行故障识别。将所提出的方法应用于西储大学轴承试验台中滚动轴承的故障诊断与识别,其故障识别准确率达98.18%。诊断结果表明:该方法具有较高的精准度,并可将该方法推广应用于各类旋转机械滚动轴承故障的诊断与识别。