不完全确定序列机状态化简

本文指出完全确定序列机状态化简是不完全确定序列机状态化简的特殊情况，后者具有更普遍的意义，文中提出了不完全确定序列机状态化简。

基于特征降维的在线序列学习机算法在室内动态定位中的应用

随着室内定位需求的不断增加,基于指纹的定位方法由于低成本、易于实现、精度较高等优势被广泛使用。但指纹定位算法在离线阶段训练成本高,接收信号强度值易受环境和噪声的影响,对环境的动态变化缺乏灵活性。提出了一种基于特征降维的在线序列学习机算法(PCA-OS-ELM),PCA算法可以对原始的RSSI数据进降维,去除干扰信息,构造新的特征。OSELM的快速学习能力可以降低离线阶段的训练成本,适应环境的动态变化。在2种不同的环境下进行了对比实验,结果表明所提出的算法能适应环境的动态变化,提高定位精度。

基于在线序列极限学习机的风电场短期风速预测研究

为了对风电场的风速进行比较准确的预测,提高风电的稳定性,减轻风电对整个电网的影响,针对风速时间序列的混沌特性,笔者运用相空间重构理论对风速时间序列数据进行相空间重构,提出一种运用在线序列极限学习机算法的风速预测理论。通过与BP神经网络算法相比较,在线序列极限学习机算法的预测精度和预测时间都有一定的提高,说明该算法在短期风速预测上是有效的和可行的。

基于指数加权-核在线序列极限学习机的混沌系统动态重构研究

利用指数加权在线核序列极限学习机(exponential weighted online sequential extreme learning machine with kernel, EW-KOSELM)辨识算法,开展了针对混沌动力学系统的动态重构研究. EW-KOSELM算法将核递归最小二乘(kernel recursive least squares, KRLS)算法直接延伸至在线ELM (extreme learning machine)框架中,通过引入遗忘因子削弱了旧数据的影响,并基于"固定预算(fixed-budget, FB)"内存技术,应对在线核学习算法所固有的规模不断增长的计算困难.将所提辨识算法应用于Duffing-Ueda振子的混沌动力学系统数值仿真实例中,对基于FB-EW-KOSELM的辨识模型与原系统的动态性能进行了定性与定量的分析校验,定性校验准则是基于对比辨识模型与原系统吸引子(轨迹嵌入)、庞加莱映射、分岔图、极限环完成的,定量校验准则包括对比辨识模型与原系统的李雅普诺夫指数与关联维.进一步将其分别应用于来自测量蔡氏电路产生双涡卷吸引子与螺旋吸引子的实测数据实验及某一实际混沌电路所产生的时间序列中,对于具有低信噪比的实测电压或电流数据还需进行了小波降噪预处理.通过分析辨识模型重构吸引子,实验结果表明,FB-EW-KOSELM算法具有良好的动态重构性能,能精确地再生出展示混沌动态行为的过程非线性模型,且具有与原混沌系统非常接近的动态不变性指标.

工业机器人柔性关节迟滞特性的在线序列极限学习机混合建模

为体现柔性关节迟滞的基本特性,构建一个类迟滞算子,将其与在线序列极限学习机(OS-ELM)串联,设计一种工业机器人柔性关节迟滞特性的在线序列极限学习机迟滞混合模型。在混合模型中,采用具有学习效率高、泛化能力强的在线序列极限学习机,能有效地回避使用梯度下降法对模型参数学习时存在的速度慢和局部最小值问题,提高了建模精度。利用不同状态下的实验数据进行模型验证,结果表明所提出的迟滞混合模型具有高精度和较高的泛化能力。

基于高光谱与在线序列极限学习机确证大米产地方法

为满足快速无损的大米产地确证需求,采集吉林省梅河口市水稻主产区及松原、大安、辉南等其他水稻产区共990个大米样本的高光谱图像(400~1000 nm)作为研究对象,利用多元散射校正(MSC)处理方法对光谱进行预处理。采用多层感知机(MLP)、极限学习机(ELM)与在线序列极限学习机(OS-ELM)算法,分别基于全波段高光谱数据以及经多维尺度分析(MDS)方法降维后的数据建立产地确证模型。结果表明,基于全波段高光谱数据的OS-ELM模型分类性能最好,准确率达到98.3%。经MDS处理后,输入的数据变量减少了96.6%,MDS-OS-ELM模型准确率稳定在97.4%。对三种模型的训练时间进行对比分析,OS-ELM训练时间明显优于MLP,在分批次获取数据时训练时间优于ELM。为大米产地确证提供了一种高效、准确、稳定的方法。

基于在线序列超限学习机和主成分分析的蒸汽冷却型燃料电池系统快速故障诊断方法

为解决蒸汽冷却型燃料电池系统的故障诊断问题,该文提出基于在线序列超限学习机和主成分分析的蒸汽冷却型燃料电池系统快速故障诊断新方法。新方法采用主成分分析过滤冗余信息,得到能反映蒸汽冷却型燃料电池系统状态的故障特征向量;使用在线序列超限学习机对故障特征向量进行分类,能有效提高模型诊断正确率并降低运算时间。实例分析表明:新方法可快速识别膜干故障、氢气泄漏故障和正常状态共三种健康状态。算法的诊断正确率为99.67%,运算时间为0.296 9s。新方法的诊断正确率比SVM和BPNN分别高出14.34%和9.34%,在线序列超限学习机的运算时间仅为SVM和BPNN的1/1 011和1/132。因此,该文所提方法适用于大数据量样本和多数据维度下的蒸汽冷却型燃料电池系统在线故障诊断。

代价敏感正则化有限记忆多隐层在线序列极限学习机及图像识别应用

将深度神经网络的多隐层特性融入在线序列极限学习机框架,提出代价敏感正则化有限记忆多隐层在线序列极限学习机,其中,代价敏感性由加权最小二乘法体现,有限记忆性通过及时丢弃过时旧数据体现。实验结果表明,加入了多隐层特性的在线序列极限学习机在图像识别准确率上比单隐层的在线序列极限学习机有所提升,在识别准确率的稳定性方面也比单隐层网络更出色。

基于多模态的在线序列极限学习机研究

单一模态包含的物体信息有限,导致在物体材质识别分类中表现不佳,而传统多模态融合方法在样本训练过程中需要输入所有数据。提出一种多模态的多尺度局部感受野在线序列极限学习机方法。对物体不同模态样本运用改进的特征提取框架,利用多尺度局部感受野感知样本信息提取特征,并将不同模态特征融合后通过在线序列极限学习机进行训练学习。在线序列极限学习机在训练过程中增量式地输入样本进行训练,当有新数据需要训练时无需对所有数据重新训练。在TUM触觉纹理数据库上进行验证,实验结果表明,多模态融合的分类精度高于单模态的分类精度,且改进的特征提取框架可以显著提升分类性能。

基于极限学习机的在线参数更新方法及工业应用

针对乙烯裂解炉结焦导致裂解炉机理改变,从而引起的模型预测不准确问题,提出一种带有遗忘因子的在线序列简化核极限学习机算法(FOS-RKELM)。该算法基于在线序列的简化核极限学习机,数据可以在线实时添加到网络中,从而提高模型的适应度;通过引入遗忘因子提高最近学习数据对模型的贡献,增强模型在线学习的能力;引入聚类算法优化、简化核极限学习机(RKELM),提高算法的稳定性。结果表明:所提算法在Mackey-Glass时滞混沌序列上取得了较好的预测效果;在乙烯产物收率预测问题上,与在线序列简化核极限学习机(OS-RKELM)、简化核极限学习机(RKELM)、BP神经网络和径向基学习机(RBF)算法相比,该算法平均绝对误差显著减小,证明了该算法的有效性。

隧道施工新型综合设备介绍——序列负载机

前言继综合砼生产设备——砼搅拌工厂问世以后,又一种适用于隧道施工中的新型综合性工程机械——序列负载机(即皮带桥)又应用于我局与日本熊谷组所合作的盘道岭工程施工中。由于该设备具备综合性能及其排布的逻辑性,笔者预测,这种设备在不久的将来。

基于在线序列极限学习机的路段行程时间预测算法

本文针对路段行程时间具有非线性、实时性等特点,研究人员已经提出了动态神经网络、卡尔曼滤波等在线预测算法。而现有大多数实时预测算法并不是真正意义上的实时预测且存在复杂度较高、实时性差等问题。本文在极限学习机的基础上,提出了基于在线序列极限学习机的路段行程时间预测算法,算法能保证预测的实时性。

强赋值幺半群上的加权Mealy机与加权Moore机的关系

赋值幺半群是一类包含半环在内的代数结构,在赋值幺半群的基础上定义强赋值幺半群。由于带输出的加权有穷自动机在自然语言的处理方面有很重要的意义,是自动机理论的一个重要研究方向。在权重取值于强赋值幺半群下定义了3种带输出的加权自动机,即强赋值加权序列机、强赋值加权Mealy机以及强赋值加权Moore机,并且给出了它们的响应函数,进而探讨了强赋值加权Mealy机和强赋值加权Moore机的关系,即强赋值加权序列机与强赋值加权Mealy机是不等价的,强赋值加权序列机与强赋值加权Moore机是等价的;并以强赋值加权序列机为中介,强赋值加权Mealy机与强赋值加权Moore机的关系是不等价的。

Rabin、Scott机状态转移图的构造方法

本文描述由复杂的正则表示式构造状态转移图的方法。对于正则表示式R1和R2的连接R1R2状态转移图的构造提出了一种改进的通用算法，并对该算法进行了详实的验证。

基于极限学习机的质子交换膜燃料电池在线故障诊断方法

为解决质子交换膜燃料电池故障诊断中的增量学习应用问题,提出了基于在线序列极限学习机和无监督极限学习机的在线学习诊断方法。利用无监督极限学习机对故障特征向量进行降维处理以得到能够反映燃料电池系统状态的特征向量,使用在线序列极限学习机对处理后的特征向量进行分类以获得增量学习能力,使用K均值聚类辅助进行增量学习的新数据标记。实例分析表明,该方法可同时提高聚类及诊断准确率,适用于多维度大数据量样本和有增量学习需要的在线故障诊断。

一种用于GIS本体机械缺陷诊断和定位的在线异声监测装置

设计了一种用于在线诊断和定位地理资讯系统(GIS)设备缺陷的装置,旨在解决缺乏GIS全息声音数据库的问题,同时可实现对GIS设备机械故障的在线监测。该装置由前端异声在线采集设备、多模通信模块和主站服务器平台软件构成。前端异声在线采集设备在工作时首先使用双通道异声采集传感器获取GIS设备运行时的声音数据,其次基于快速核独立分量分析技术对采集的声波信号进行滤噪,再次利用双谱分析提取滤噪后声波信号的高阶概率结构,并以此作为声波信号的特征向量,最后计算该特征向量与正常状态下特征空间的偏离程度。当偏离超过设定阈值时认定当前信号为疑似故障信号,保存并压缩疑似故障信号的所有数据,同时通过多模通信模块将压缩的数据回传至主站服务器。主站服务器平台基于在线序列超限学习机构建了一种故障诊断模型,当接收到疑似故障信号后,计算其固有模态函数能量熵,并输入故障诊断模型以获取对疑似故障信号的进一步分析和诊断。实验结果表明,采用了前端异声在线采集设备的故障诊断算法,其准确率随数据量的增加而提高,不采用前端设备的准确率则随之降低。这种方法可利用逐步完善的GIS全息声音数据库不断提升故障诊断模型的性能,可实时监测GIS设备的运行状态。

基于数据增强与流数据处理的Tor流量分析模型

Tor流量分析技术为打击利用Tor匿名通信工具从事的暗网犯罪活动提供了技术支撑,但目前存在数据难于收集、数据集不平衡、模型抗概念漂移能力差等问题。提出一种结合堆叠去噪自编码器和在线序列极限学习机的Tor流量分析模型。对原始Tor PACP包进行分割、去噪处理并提取特征序列。在此基础上,将一维序列转化为可视化灰度图并输入改进多尺寸深度卷积生成对抗网络,生成Tor流量样本以平衡数据集,利用堆叠降噪自动编码器进行序列降维并将特征输入在线序列极限学习机实现Tor匿名流量的在线流识别。实验结果表明,改进多尺寸深度卷积生成对抗网络可用于提升数据集质量并提高模型识别率约2.8个百分点,结合在线序列极限学习机和堆叠去噪自编码器的流量分析模型准确率可达95.7%,识别效率较传统卷积神经网络和长短期记忆网络模型有较大提升。

基于改进OS-ELM的电子鼻在线气体浓度检测

电子鼻是一种仿生传感系统,该设备能够同时对多种气体进行识别,因此应用在许多领域当中。气体浓度算法是电子鼻对气体定量分析时的核心部分,为了提高电子鼻浓度检测算法精度,提出一种基于在线序列极限学习机(Online Sequential-Extreme Learning Machine,OS-ELM)的预测模型。该模型通过一维卷积神经网络(One Dimen‐sional Convolutional Neural Network,1DCNN)提取特征,使用OS-ELM对气体浓度进行预测,并提出了一种改进的粒子群(Particle Swarm Optimization,PSO)算法以克服OS-ELM需人工调整模型参数的问题。由理论分析,改进的算法比传统PSO算法有更强的搜索能力。实验结果表明,所提模型对气体的预测精度上较传统的预测模型具有更高的预测精度和泛化能力。

利用集成OS-ELM的不平衡数据流分类与存储方法

目前多数针对不平衡数据流的分类算法需要大量保存历史数据,并在训练过程中反复扫描以提升分类准确率,这与数据流的单通道特征不符,且数据流的无穷性需要消耗大量的内存空间。为此,提出一种基于集成欠采样与在线序列超限学习机(EU-OS-ELM)的不平衡数据流分类方法。首先基分类器选择一种适用于数据流的在线学习算法OS-ELM;然后使用不放回随机欠采样构建训练集提升算法的鲁棒性;最后使用一个固定大小的矩阵保存历史数据的特征信息,在提高数据流分类准确率的同时,所需的额外内存空间最小。将EU-OS-ELM与主流算法在一些数据集上的对比实验结果表明,所提算法在所有数据集上的额外内存空间只需0.8906 KB,证明了算法的有效性。

基于成本优化的多租户SaaS应用优化放置算法

为了计算需要部署的应用实例数量和租用的虚拟数量,并建立租户与应用实例以及应用实例与虚拟机之间的放置关系,提出一种基于成本优化的多租户SaaS应用放置算法。通过分析多租户SaaS应用服务模式,提出了资源消耗度量模型和多租户SaaS应用优化放置问题的形式化描述;依据租约关系计算初始的应用实例数量和虚拟机数量,以此确定放置方案的编码方式,并采用基于虚拟机序列的遗传算法来选择最优的放置策略;通过实验验证了所提算法的可行性和有效性。