基于ELM极限学习机的二次网供水温度预测及应用

为实现供热系统的节能减排,供热系统二级网经常采用质调节,而质调节的关键是根据室外温度等主要参数预测二次网供水温度。为了得到准确有效的预测结果,分析二次网供水温度预测原理和非正常数据及离线数据的处理方法并建立了ELM极限学习机的二次网供水温度预测模型。通过工程的实际数据对预测方法进行验证,ELM极限学习机的预测与实际值偏差较小,满足实际工程的应用要求,模型准确性较高。

基于特征优选与改进极限学习机的锂电池SOC估计

为提高数据驱动方法预测荷电状态(state of charge,SOC)的效率与精度,提出一种基于特征优选与改进极限学习机的SOC估计方法。采用公开数据作为训练集,利用随机森林(random forest,RF)算法判定训练集各特征对SOC的影响程度,选择出最优训练样本,并对优选样本的合理性进行验证;利用极限学习机(extreme learning machine,ELM)对SOC进行预测,针对ELM在预测过程中随机产生的权值及阈值的不稳定性导致SOC估计精度不理想的问题,选取麻雀搜索算法(sparrow search algorithm,SSA)进行参数优化以提高估计精度;随后,通过BJDST工况仿真试验对SSA参数优化的有效性进行验证;在恒流放电与DST工况实验下,分别利用改进极限学习机(SSA-ELM)、ELM、支持向量机(support vector machine,SVM)与BP神经网络(back-propagation neural network,BPNN)对SOC进行预测,结果表明,SSA-ELM算法预测效果最优,预测误差基本保持在1.5%以内,可实现较高精度的SOC预测。

基于改进极限学习机的水轮机运转状态识别

针对水轮机远程运行状态监测困难的现状,提出了基于模拟退火算法的粒子群算法(simulated annealing algorithm-particle swarm optimization,SA-PSO)优化极限学习机(extreme learning machine,ELM)的方式,建立水轮机运转状态识别模型SA-PSO-ELM。对水轮机信号进行互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)获得IMF分量,引入皮尔逊相关系数计算各个IMF分量与水轮机信号的相似度,判断信号主导模态和噪声主导模态的分界点,用小波去噪对噪声主导模态降噪,并与其余的IMF分量重构得到去噪信号,同时对去噪后的信号进行分解,计算每个IMF分量的排列熵,构建特征向量。由于SA-PSO精度高不易陷入局部最优的特点和ELM的性能受权值、阈值共同影响的特点,用SA-PSO优化ELM的权值和阈值,构建水轮机运转状态识别模型SA-PSO-ELM。对不同工况下采集的水轮机压力脉动数据,分析了基于PSO-ELM、ELM及SA-PSO-ELM模型的水轮机运转状态识别正确率、均方误差、决定系数3个指标。结果表明:SA-PSO-ELM更适合于水轮机运转状态识别。

基于局部均值分解和极限学习机的锂电池剩余寿命预测

锂离子电池的剩余使用寿命存在难以准确预测、容量数据不能在线实时测量的问题,提出一种基于间接健康因子预测锂电池剩余寿命的方法。首先提取放电电压速率作为间接健康因子,通过局部均值分解(LMD)对放电电压速率数据进行分解;然后采用灰色关联度验证经解耦后的放电电压速率与电池容量之间具有高关联度,应用极限学习机(ELM)训练模型,以预测锂离子电池的剩余使用寿命;最后,将间接健康因子输入LMD-ELM关系模型中,获得电池容量的准确预测值。采用NASA数据集验证了本文所提LMD-ELM方法预测的锂电池剩余寿命方均误差小于0.002 2,平均绝对百分比误差小于3.12%。

基于深度极限学习机的危险源识别算法HIELM

危险源识别是民用航空管理的重要环节之一,危险源识别结果必须高度准确才能确保飞行的安全。为此,提出了一种基于深度极限学习机的危险源识别算法HIELM(Hazard Identification Algorithm Based on Extreme Learning Machine),设计了一种由多个深层栈式极限学习机(S-ELM)和一个单隐藏层极限学习机(ELM)构成的深层网络结构。算法中,多个深层S-ELM使用平行结构,各自可以拥有不同的隐藏结点个数,按照危险源领域分类接受危险源状态信息完成预学习,并结合识别特征改进网络输入权重的产生方式。在单隐藏层ELM中,深层ELM的预学习结果作为其输入,改进了反向传播算法,提高了网络识别的精确度。同时,分别训练各深层S-ELM,缓解了高维数据训练的内存压力和节点过多产生的过拟合现象。

基于相空间重构和遗传算法优化的极限学习机模型预测基坑变形时序混沌特性

基坑变形是造成施工事故的主要原因之一,其变形特性具有很大不确定性及随机性。为了防止基坑变形事故的发生,实现基坑变形的准确预测,提出一种将相空间重构、遗传算法(GA)、极限学习机(ELM)相结合的基坑变形时序混沌预测模型。首先,对基坑变形量时序进行相空间重构,通过混沌理论中的G-P算法及自相关法获得重构相空间参数;然后,采用相空间重构后的变形时间序列,建立基坑变形量预测的ELM模型,同时采用GA算法对ELM模型参数进行优化。最后,训练得到最优GA-ELM模型。以某基坑为例,采用GA-ELM模型进行变形量的混沌预测。研究结果表明:GA-ELM模型的预测结果优于单一ELM模型的预测结果,预测精度较高,有利于基坑变形的长期预测。

基于极限学习机的语音情感识别

提出基于ELM的广义神经网络语音情感识别模型,对基于ELM的单隐层前馈神经网络模型,采用多点交叉和多点变异遗传算法对模型参数进行优化;对基于核函数ELM的广义单隐层前馈神经网络,采用网格搜索寻找模型最优参数组合.对TYUT和EMO-DB情感语音库三种情感(高兴、生气和中性)的识别结果表明,所建立的基于ELM的语音情感识别模型,在泛化性能和训练速度上均优于SVM模型.

基于极限学习机的分类算法及在故障识别中的应用

利用极限学习机(ELM)分类器的结构特点重新设计面向多分类任务的ELM分类器,提出基于ELM的优化分类算法One-Class-PCA-ELM.该算法的实现过程如下:对故障数据进行主元分析(PCA)处理,降低数据维数,去除噪声与冗余信息;将训练数据集按类分割,建立各类对应的单分类模型,整合得到One-Class-PCA-ELM分类模型;将待分类数据输入One-Class-PCA-ELM分类模型,得到待分类数据的类标号,完成分类.仿真实验结果表明,该算法保持了极限学习机极快的训练速度,具有较高的分类准确率及较理想的分类稳定性.

基于变量选择和核极限学习机的交通事件检测

为了进一步提高交通事件检测的效果,提出基于变量选择和核极限学习机(KELM)的自动事件检测(AID)算法.根据交通事件上、下游交通流参数的变化特点,构建较全面的交通事件检测初始变量集.采用随机森林—递归特征消除(RF-RFE)算法,从中选择重要变量.以重要变量作为输入,训练KELM并通过万有引力搜索算法(GSA)优化参数.使用美国I-880数据库,对AID算法的效果进行验证和对比分析.因为数据库中的事件样本数远少于非事件样本数,采用SMOTE平衡两类样本.结果表明,使用重要变量能够提高交通事件的检测效果,KELM的检测效果优于反向传播神经网络(BPNN)和支持向量机(SVM).

基于改进粒子群优化的并行极限学习机

为了提高极限学习机(ELM)网络的稳定性,提出基于改进粒子群优化的极限学习机(IPSO-ELM).结合改进的粒子群优化算法寻找ELM网络中最优的输入权值、隐层偏置及隐层节点数.通过引入变异算子,增强种群的多样性,并提高收敛速度.为了处理大规模电力负荷数据,提出基于Spark并行计算框架的并行化算法(PIPSO-ELM).基于真实电力负荷数据的实验表明,PIPSO-ELM具有更高的稳定性及可扩展性,适合处理大规模的电力负荷数据.

极限学习机在洪涝灾害预测中的应用

为了减轻洪涝灾害对人类的伤害,将极限学习机（extreme learning machine,ELM）引用到洪涝灾害预测中,利用凌河流域1960～2010年44个观测站（其中大凌河流域33站、小凌河流域11站）的降水资料,对凌河流域洪涝灾害进行预测,并将其与传统神经网络预测结果进行对比分析.结果表明：基于极限学习机预测模型的年均降水量预测值,大凌河流域的均方误差（MSE）为0.003,决定系数（R2）为0.927;小凌河流域的均方误差（MSE）为0.0037,决定系数（R2）为0.8481,均满足误差精度要求,其结果均优于BP神经网络预测模型的均方误差值和决定性系数.说明极限学习机预测模型用于洪涝灾害预测效果良好,为洪涝灾害预测提供了新的方法.

选择性集成核极限学习机建模及其应用研究

针对选择性集成逆向传播神经网络(GASEN-BPNN)模型训练学习速度慢,选择性集成极限学习机(GASEN-ELM)模型建模精度稳定性差等问题,提出一种基于遗传算法的选择性集成核极限学习机(GASEN-KELM)建模方法。该方法首先通过对训练样本进行随机采样获取子模型训练样本;然后采用泛化性、稳定性较佳的核极限学习机(KELM)算法建立候选子模型,通过标准遗传算法工具箱,依据设定阈值按进化策略优化选择最佳子模型;最后通过简单平均加权集成的方式获得最终GASEN-KELM模型。采用标准混凝土抗压强度数据验证了所提出方法的有效性,并与GASEN-BPNN和GASEN-ELM选择性集成算法进行比较,表明所提出方法可以在模型学习速度和建模预测稳定性方面获得较好的均衡。

基于混合极限学习机的TSV缺陷检测技术

随着三维集成技术的飞速发展,硅通孔(TSV)缺陷的检测问题不容忽视。提出了一种新型无损TSV缺陷检测方法,该方法采用混合极限学习机模型对TSV缺陷的S参数进行训练分类,用来预测TSV发生空洞缺陷的大小及高度、发生针孔缺陷的大小及高度及发生微衬底未对齐缺陷的偏移量。仿真结果表明,所提出的方法在TSV缺陷检测过程中可以避免对被测样品的损坏,且与原极限学习机相比,其缺陷定位准确率提高了11.51%,达到94.61%。基于混合极限学习机的TSV缺陷检测方法,既可以对不同类型的TSV缺陷进行分类,也能针对具体缺陷类型进行定位。

基于KPCA和改进极限学习机的煤与瓦斯突出危险性判识

为实现煤与瓦斯突出危险性的准确、快速地动态预测,提出构建基于KPCA-BA-ELM的突出危险性耦合预测模型。根据煤与瓦斯突出综合作用机理,确定突出各影响因素参数;利用核主成分分析(KPCA)对样本数据进行预处理,提取出主成分序列;利用蝙蝠算法(BA)优化极限学习机(ELM)模型,并与BA-ELM、ELM、SVM和BP等模型共同进行突出危险性预测,验证模型的优越性。结果表明,基于KPCA-BA-ELM突出危险性预测模型平均绝对误差为4.560,平均相对误差为3.478%,运行时间为1.286 s,较其他模型具有精准的判识度和较高的泛化能力;能充分挖掘突出时空演变的内部隐含规律,有效诠释突出危险性与其影响因素间的非线性关系。

大数据分割式极限学习机算法

在海量数据输入背景下,为提升极限学习机算法的学习速度,降低计算机内存消耗,提出一种分割式极限学习机算法。将海量数据分割成K等份,分别训练极限学习机并获得单一外权,基于算术平均算子得到分割式极限学习机的综合外权;为避免异常数据对极限学习机输出结果的影响,采用有序加权平均算子融合单一极限学习机的输出信息,使分割式极限学习机的输出结果更为稳定。数值对比仿真显示:分割式极限学习机比传统极限学习机的学习速度、拟合精度和内存消耗都高,验证了该方法的有效性和可行性。

基于极限学习机的橡胶配方性能预测

以三元乙丙橡胶(EPDM)胶料配方和天然橡胶(NR)胶料配方为例,将配方中各组分的用量作为输入,硫化橡胶的基本物理机械性能作为输出,建立了基于极限学习机(ELM,extreme learning machine)神经网络的配方性能预测模型,并给出两种配方的预测结果和相对误差。结果表明,ELM神经网络模型能够准确预测出EPDM配方和NR配方硫化橡胶的基本物理机械性能,且平均相对误差在7%以内,具有较高的预测精度。

基于ELM锂离子电池RUL预测优化方法研究

针对传统的极限学习机ELM(Extreme Learning Machine)算法对锂离子电池剩余使用寿命RUL(Remaining Useful Life)的预测效果不准确等问题,提出通过考察循环次数基础数据导入值对预测结果的影响,及通过集成度调整即前期降低算法RUL估计的频率,后期提高算法集成度和RUL估计的频率,进一步提高锂离子电池RUL预测的准确性。结果表明该方法具有测试时间短和误差小等优点,可为锂离子电池检测机构及生产企业提供一种更加快捷及低成本的电池剩余使用寿命或循环寿命测试方案。

基于优化极限学习机的高速公路造价预测

高速公路的工程造价是前期项目预算的重要数据参考,是公司投资管理经营与造价控制的关键节点,如何建立模型准确地预测公路工程造价对进行公路工程管理有很大的帮助,同时意义重大。文中根据中国高速公路工程建设项目造价预测的研究现状,将优化极限学习机(ELM)预测方法引入高速公路造价预测,建立高速公路建设项目工程造价预测模型,并结合Matlab软件进行了应用性分析与研究。实例分析结果表明该预测模型简便,具有较高的实用性。

基于稀疏编码和极限学习机的设备故障诊断方法及应用

针对复杂工况与海量监测数据下滚动轴承难以进行故障诊断的问题,提出了一种基于稀疏编码和极限学习机(ELM)的滚动轴承故障模式识别方法。首先,利用K-SVD方法对海量数据样本学习得到自适应原子字典,在此基础上使用正交匹配追踪(OMP)算法进行稀疏编码;然后,构建基于数据驱动的ELM网络模型,将稀疏编码输入ELM模型;最后,通过模型输出实现了对滚动轴承的不同故障类型及不同故障程度的智能识别。通过实际实验分析,验证了所提方法的有效性,与传统的时、频域指标和主成分分析(PCA)为输入的ELM模型进行了对比,并对比分析了BP神经网络、支持向量机(SVM)模型,证实了所提方法具有更好的诊断正确率和可靠性。

基于FSSA-ELM的模拟电路故障诊断方法

在大规模电路中,模拟电路的故障率高达80%。针对模拟电路故障诊断方法准确率低、耗时长的问题,提出了一种分数阶麻雀搜索算法结合极限学习机(FSSA-ELM)的模拟电路故障诊断方法。利用核主成分分析与局部线性嵌入(KPCA-LLE)联合方式对电路故障数据进行特征提取,通过分数阶与麻雀搜索算法(SSA)相融合,对极限学习机(ELM)的权重和阈值进行寻优,将提取后的特征数据输入到FSSA-ELM模型中进行训练和测试。T型反馈网络反相比例运算电路诊断实例表明,FSSA-ELM的故障诊断用时相较于SSA-ELM缩短了891 s,单故障诊断准确率可达972%,比SSA-ELM和ELM分别提高了19%和28%;双故障诊断准确率可达95%,分别提高了04%和10%。该故障诊断方法准确率高、耗时短,具有较强的模拟电路故障检测能力。