并行极限学习机在洪水预测中的应用研究

研究洪水预测的神经网络模型,要求模型保证一定的运行效率和准确度。文中应用并行极限学习机建立的洪水预测模型预报精度达到应用水平,可以用于渭河和汉江流域的洪水预报。并行极限学习机兼有极限学习机和并行计算的优点,不需要反复迭代调整隐层节点,通过训练后即可进行预测,运行效率高,预报效果较好,具有一定的实用价值。

结合并行CNN与极限学习机的高光谱图像分类

针对传统方法不能充分利用高光谱图像的空间和光谱信息,无法进一步提升高光谱图像分类精度的问题,提出了一种结合卷积神经网络的并行异构极限学习机(spatial-spectral convolutional neural network and parallel extreme learning machine,SSCNN-PELM)分类模型。卷积神经网络(convolutional neural network,CNN)由并行的二维卷积(two-dimensional convolution,2D-CNN)和一维卷积(one-dimensional convolution,1D-CNN)构成,其中2D-CNN提取空间信息和部分光谱信息,1D-CNN补偿损失的光谱信息;并行异构极限学习机(parallel extreme learning machine,PELM)将输入层数据并行映射到隐藏层,同时求解出并行隐藏层的连接权重,进而实现特征融合及分类任务。实验结果表明,SSCNN-PELM模型在Indian pines、Pavia university数据集上总体分类精度分别为99.07%、99.51%,对比了支持向量机(support vector machine,SVM)、CNN等分类方法,SSCNN-PELM模型在提高分类精度的同时兼顾了分类速度。

基于CAWOA-PELM的汽轮机主蒸汽流量预测

针对汽轮机主蒸汽流量测量精度低的问题,提出了一种混沌搜索策略鲸鱼优化算法(CAWOA)和并行极限学习机(PELM)的主蒸汽流量预测方法。利用混沌理论的随机性、敏感性、分维性等特点和自适应惯性权值策略提高WOA算法的局部寻优能力和全局优化性能。并将CAWOA算法对并行极限学习机(PELM)参数进行优化,提高了主蒸汽流量预测模型的精度。在此基础上,将优化后的极限学习机对某台600MW汽轮机组主蒸汽流量进行预测,并与同类算法模型进行对比。结果表明:上述方法具有更好的泛化能力,能更加精确地预测主蒸汽流量。

基于POS-RELM的发动机复合故障在线诊断研究

本文针对发动机复合故障(失火故障、进气门间隙故障和排气门间隙故障)诊断中实时、高效的要求,将并行及正则算法引入在线贯序极限学习机(Online Sequential Extreme Learning Machine,OSELM),提出了一种可实现复合故障诊断的并行在线正则极限学习机(Parallel Online Sequential Regularized Extreme Learning Machine,POS-RELM)。通过试验数据可以得出,基于整周期分段特征提取法的POS-RELM算法相比于传统的神经网络分类算法更适合于发动机故障的在线监测及故障诊断。

基于GA-PELM的板材热连轧轧制力预测

在板材热连轧过程中,轧制力的计算精度直接影响板带钢的实际厚度,也是实现精准在线控制的前提。然而,由于实际的轧制过程受多种因素影响,使用传统模型进行预测的精度往往比较低。为了提高轧制力的预测精度,提出了并行异构极限学习机(PELM)的轧制力预测模型,该模型学习速度快且泛化能力强,同时为了保证模型的稳定性,采用遗传算法(GA)优化了该模型的权重和偏差。以包头某钢厂2250生产线的实际生产数据为例进行轧制力预测,结果表明,该算法训练的轧制力预测模型有很好的预测精度,适用于热连轧过程的轧制力预测。