改进粒子群优化超限学习机的调制信号识别

针对现有算法在信噪比较小条件下对调制信号识别精度较差的问题,提出一种基于改进粒子群优化超限学习机的调制信号识别算法。以调制信号的高阶累积量为基础构建4种特征参数,并根据多进制相移键控(Multiple Phase Shift Keying,MPSK)信号的相位特性引入归一化瞬时相位平均值和递归归一化瞬时相位平均值特征两个特征参数,构建调制信号的6种特征参数的数据集。利用粒子群优化(Particle Swarm Optimization,PSO)算法优化超限学习机(Extreme Learning Machine,ELM)算法的神经网络结构,动态调整PSO算法中的惯性权重,以提升算法的识别性能。采用所提算法对7种调制信号进行识别,实验结果表明,当信噪比大于2 dB时,所提算法对7种调制信号的识别正确率均达到100%。与相关算法相比,所提算法的识别效果较佳且更具有稳定性。

基于改进粒子群优化算法和极限学习机的混凝土坝变形预测

混凝土坝变形预测是评价大坝运行状态和预测大坝行为的重要方法.但是,混凝土坝的随机荷载和强非线性变形限制了传统多元线性回归模型的应用.而人工神经网络模型则对复杂和高度非线性行为具有良好适应性.针对基于梯度下降法的常规神经网络模型收敛速度慢和过度拟合等问题,提出了一种基于改进型粒子群优化算法选取极限学习机(ELM-IPSO)最优参数的大坝变形预测模型.针对传统粒子群算法搜索时间长、容易陷入局部最优的特点,采用自适应惯性权重和动态调整学习因子,对粒子群算法进行了改进.研究表明,IPSO算法提高了粒子群优化的全局搜索能力,提高了计算效率.应用IPSO优化ELM模型的初始权值和阈值.通过东江混凝土拱坝的实测资料,验证ELM-IPSO模型的预测性能.将计算结果与BPNN模型、ELM模型和传统ELM-PSO模型的结果进行比较.BPNN模型、ELM模型、ELM-PSO模型和ELM-IPSO模型的平方相关系数R2分别为89.15%、91.13%、93.87%和94.36%.ELM模型的R2大于BPNN模型,说明ELM模型比常规的BPNN模型预测精度更高,泛化性能更好.ELM-PSO模型的预测精度大于ELM模型,说明PSO对ELM的优化在提高预测精度方面具有良好的作用.4个模型中,ELM-IPSO模型的R^2最大,预测精度最高,这表明提出的ELM-IPSO模型能够有效提高混凝土坝变形的预测能力.

基于粒子群优化核极限学习机的北斗超快速钟差预报

针对卫星钟差序列中非线性特性较为复杂和超快速钟差预报精度较低的问题,将核极限学习机算法引入到北斗超快速钟差预报中。首先,将极限学习机进行优化,引入粒子群优化算法来选择核极限学习机所需的核参数和正则化参数;然后,将优化后的方法应用到超快速钟差预报中,并给出了利用该方法进行超快速钟差预报的步骤;最后,在分析iGMAS提供的实测北斗超快速钟差数据的基础上,选用单天和多天数据进行短期预报。结果表明:在短期预报6h范围内,利用本文提供的优化方法解算得到的超快速钟差预报精度明显优于二次多项式模型和周期项模型,并且采用此方法得到的超快速钟差预报产品与iGMAS提供的超快速钟差预报产品(ISU-P)相比,GEO、IGSO和MEO卫星的预报精度分别提升了50. 51%、46. 98%、40. 67%,其与最终精密钟差的符合程度显著增强。

基于光谱和改进极限学习机的土壤含盐量分析

研究盐碱地的性质、组成,对于生态环境具有重要意义。传统的含盐量测定方法大多基于化学分析,因其成本高、效率低的缺点使得应用于大面积土地的可行性很低。极限学习机(ELM)作为一种基于前馈神经网络构建的机器学习系统,在许多研究中作为一种光谱处理方法被成功运用。为了改进传统的盐碱地含盐量检测方法,采用光谱学结合改进的极限学习机(ELM)模型的方法对盐碱地进行研究。根据镇赉县采集得到的62个土壤表层样本得到对应的光谱反射率和含盐量数据,提出了基于随机值改进粒子群优化算法(RVIPSO-MELM)优化的多层极限学习机模型。首先使用主成分分析提取光谱数据特征,并使用ELM算法对光谱数据建立分类模型,引入改进的粒子群优化算法以提高精度和速度。该模型结合了具有随机值的多层ELM(RV-MELM)和改进PSO算法的多层ELM(IPSO-MELM)二者的优点,在运用启发式算法搜索最优值的同时还具有随机性,提高了模型优化速度,同时以提高模型性能为目的对隐含层之间参数进行优化和选择。并且该模型可以推广到多层,对隐含层之间的参数的两种选择方法,根据经验公式计算和使用改进的启发式算法搜索,进行了提高模型性能和优化时间的讨论,实践结果表明,选择第一层参数使用改进粒子群优化算法,确定随后的隐含层之间参数选择,使用经验公式进行计算得到一种更具现实意义的方法模型。模型在进行启发式搜索最优值之前,利用蒙特卡罗方法确定一个较好的初值,使得模型能保持较高准确率的条件下,优化速度进一步提高。相比于传统方法,这种光谱分析结合ELM的模型节省时间和经济成本,有一定推广意义。

基于随机森林与改进极限学习机的PM2.5浓度模型

由于PM2.5浓度预测中的影响因素过于复杂,影响因素的高维性与非线性对预测结果有着很大的干扰,容易产生PM2.5浓度预测误差高和模型泛化能力差等问题。针对上述缺陷,可通过一种基于随机森林-粒子群优化-极限学习机(RF-PSO-ELM)的PM2.5浓度预测模型解决。该模型首先使用随机森林算法对影响因素进行特征选择,选择出对于PM2.5浓度重要性高的因素构成特征;再利用提取得到的特征作为PSO-ELM算法的输入;最后对上海市的PM2.5浓度做出预测,从最终的实验数据中可以看出:该模型比支持向量机(SVM)、未优化的极限学习机(ELM)和反向神经网络(BPNN)等预测模型在预测精度和泛化能力方面有着显著的提高。

基于极限学习机的风电机组主轴承故障诊断方法

针对传统故障诊断方法在风电机组主轴承的故障诊断中诊断准确率不高的问题,引入了一种改进粒子群优化(PSO)算法,并结合交叉验证(CV)优化极限学习机(ELM)的方法。利用ELM建立故障诊断模型,采用主轴承振动信号的代表性时域特征参数作为模型输入,结合改进PSO算法和CV用于模型的参数优化,用于风电机组主轴承的故障诊断。实例分析表明,文章提出的方法可以快速、有效地诊断风电机组主轴承的故障,与LS-SVM,SVM和BPNN等方法相比,诊断准确率更高。

基于耦合算法的类人机器人模仿学习控制方法

为提高类人机器人模仿学习的准确性及效率,建立了一种改进的粒子群算法优化超限学习机的模仿学习模型。采用非线性动态系统对示教时的相关数据进行建模;以动态自适应策略改进粒子群算法的惯性权重,并利用改进后的粒子群算法对超限学习机的网络参数进行寻优;利用该耦合学习模型对模仿学习动态系统的参数进行学习,并重现了模仿学习动作。实验结果表明,该耦合算法应用在类人机器人模仿学习方面具有很好的拟合精度、自适应性及泛化能力,重现模仿学习动作时的平均误差为0.0172。

基于自适应组合模型的超短期风速预测

风电场的风速预测对电力系统的稳定及安全运行有着重大的影响。考虑到风速序列具有间歇性和随机性等特征,提出一种基于参数优化的变分模态分解及极限学习机的组合模型,将其用于超短期风速预测。首先,采用变分模态分解算法将风速序列分解为一系列的平稳分量。以正交性为适应度函数,利用网格优化算法搜索变分模态分解的关键参数值——分解层数和惩罚因子,确保分解出来各模态分量之间的信息正交性,抑制耦合分量的产生。然后,利用极限学习机对各分量进行预测。针对极限学习机预测不稳定的问题,采用粒子群算法对其初始权值及阈值进行参数优化,对于该模型的输入维数则运用自回归差分移动平均模型的定阶结果进行自适应确定。最后,叠加各分量的预测值作为最终的预测结果。实验结果表明,所提出的组合模型在预测精度上显著优于其他基准模型。

改进多元层次波动色散熵及其在滚动轴承故障诊断中的应用

针对滚动轴承振动信号故障特征难以提取以及单通道振动信号分析易存在故障信息缺漏的问题,提出一种新的衡量多通道时间序列动态特征的方法——改进多元层次波动色散熵(modified multivariate hierarchical fluctuation dispersion entropy,MMHFDE),将其用于提取滚动轴承多通道振动信号中的故障特征,在此基础上提出一种基于MMHFDE,最大相关最小冗余(max-relevance and min-redundancy,mRMR)和粒子群优化核极限学习机(particle swarm optimization kernel extreme learning machine,PSO-KELM)的滚动轴承故障诊断新方法。使用MMHFDE提取滚动轴承不同状态的故障特征,而后采用mRMR从得到的故障特征中筛选敏感特征构成敏感特征向量;将敏感特征向量输入到基于PSO-KELM构建的故障分类器中进行故障识别。由试验结果可知,提出的方法可以有效识别滚动轴承不同故障状态。

一种基于元学习框架的时间序列预测方法

针对现有时间序列预测方法采用单一预测器模式存在预测能力不足等问题,从多预测器融合角度出发,在元学习领域叠加归纳策略指导下,提出了一种基于元学习框架的时间序列预测方法。首先,立足于方法时效性和问题适用性,改进了分层集成模型;然后,通过增加优化选择过程,采用BPSO算法筛选基预测器,以控制模型规模,并消除预测能力差的预测器的不利影响。在Mackey-Glass混沌时间序列上验证了所提方法的有效性,在某型飞机发动机飞行参数预测实验中,选出KELM改进型方法和DES算法中整体性能最好的2种方法(FARF-OSKBIELM和DES-PALR)与所提方法进行比较。比较结果表明,所提方法在4个监测项目上的平均训练时间分别缩短了77.48%和33.91%,平均预测精度分别提升了28.86%和72.26%。

基于ICEEMDAN-IPSO-ELM的硅油溶解气体浓度组合预测方法

高压电缆充油终端作为电力系统中传输电能的重要设备,对充油电缆终端内填充的硅油溶解气体浓度进行可靠预测,可为硅油的故障诊断提供一定的支撑。因此,提出一种基于局部异常因子与ICEEMDAN-IPSO-ELM的硅油中溶解气体浓度预测模型。首先,搭建模拟电缆终端内部硅油老化实验平台,通过色谱分析获得硅油中溶解气体浓度序列,进而对硅油中溶解气体浓度时间序列进行数据清洗,采用局部离群因子检测方法判断异常值并进行合理的修正,进而采用改进自适应白噪声完全集合经验模态分解将修正后的硅油中溶解气体浓度序列进行分解,得到不同时间尺度的本征模态函数分量,可以有效降低高、低频分量间的相互影响;其次,针对具有不同特征的频率分量搭建极限学习机网络预测模型,针对极限学习机模型参数较难选取的问题,采用改进粒子群优化方法对模型的权值和阈值参数寻优求解,在一定程度上优化了粒子群方法的寻优能力,并提高了组合预测方法的可靠性;最后,将不同频率分量的计算结果加和,便可得到硅油中溶解气体浓度的预测含量。具体实例表明,与其他预测模型相比,该方法能够可靠预测出硅油中溶解气体含量的未来走势,为硅油故障诊断技术提供了有力的保障。

基于PCA-IPSO-ELM的集装箱船在泊时间预测

集装箱船在泊时间是制定泊位计划的重要依据。针对在泊时间预测面向不确定性环境的特性,考虑适用模型预测性能,提出一种基于主成分分析(PCA)、非线性参数动态控制的改进粒子群算法(IPSO)和极限学习机(ELM)的在泊时间集成预测模型,以天津港集装箱船港口作业数据为预测样本进行了实证研究。对比仿真结果表明:与已有集装箱船在泊时间预测模型相比,PCA-IPSO-ELM集成预测模型具有更高的精准度和时效性,其中,改进后的粒子群算法也体现出了较强的全局探索能力及较好的稳定性。该模型可为制定泊位计划提供有力的数据支持,有助于港口制定科学高效的泊位计划。

基于VMD-ICMSE和半监督判别SOINN L-Isomap的滚动轴承故障诊断

针对从滚动轴承非线性、非平稳振动信号中提取故障特征困难的问题,提出一种基于半监督判别自组织增量学习神经网络界标点的等度规映射(SSDSL-Isomap)的滚动轴承故障诊断方法。利用基于变分模态分解的改进复合多尺度样本熵(VMD-ICMSE)从复杂域提取振动信号的故障特征,构建高维故障特征集;采用SSDSL-Isomap方法对高维故障特征集进行维数约简,提取出利于识别的低维、敏感故障特征子集;应用粒子群优化极限学习机(PSO-ELM)分类器对低维故障特征进行故障识别,判别故障类型。VMD-ICMSE方法集成了VMD自适应分解非线性信号与ICMSE衡量时间序列复杂性程度的优势,提高故障特征提取能力;SSDSL-Isomap方法综合了全局流形结构、半监督型双约束图构建以及SOINN界标点选取的优点,增强故障分类能力。调心球轴承故障诊断实验分析结果表明,该方法对实验数据的故障识别率达到100%。

基于IPSO-ELM算法的空气质量预测

基于人工神经网络空气质量预测模型存在易陷入局部极值、参数选取困难等问题,文章提出利用极限学习机进行空气质量预测。针对传统极限学习机的隐含层节点数、及其阈值和权值随机生成造成网络学习能力下降的问题,提出利用改进粒子群算法并行优化极限学习机的隐含层节点数和隐含层的阈值、权值,并以均方根误差作为适应度函数。利用优化后的极限学习机预测空气质量(SO2、NO2、PM10、CO、O3、PM2.5浓度和AQI),并将预测结果与BP神经网络和ELM算法进行比较。结果表明,该文所提的空气质量预测方法比BP神经网络和ELM算法具有更高的预测精度和可靠性。

一种高效的图像显著性检测算法

在人眼视觉特性的基础上,提出了一种高效的图像显著性检测方法。首先通过六边形简单线性可迭代聚类(HSLIC)对图像进行预处理,获得六边形的超像素块;再利用马氏距离定义显著块和背景种子块之间的距离,生成基于距离加权的全局颜色对比(GCD)初始显著图;然后引入自动细胞机模型对显著图进行优化。为进一步获取精确的显著性区域,提出一种改进的粒子群优化算法(NPSO)对显著图进行分割。所提出的算法在MSRA-5000和ECSSD数据库进行测试及比对分析。实验的结果表明,提取的显著图效果优异。