基于正则极限学习机的烟草病毒病预测

为了对烟草病毒病的病情指数进行建模研究,采用了一种正则极限学习机算法:通过引入惩罚因子来权衡结构风险与经验风险的大小,进一步增强网络的泛化性.针对烟草病毒病的众多影响因素,采用灰色关联度算法选取主要影响因子.使用某地1984-1995年病情资料、相关虫情和气象资料,经过数据挖掘、建模仿真,将正则极限学习机应用于烟草病毒病预测中,效果较好,对烟草病毒病的防治具有指导意义.

相空间重构和正则极限学习机的网络流量预测

网络流量预测一直是网络研究技术中的热点,针对网络流量变化的时变性、混沌性,提出一种相空间重构和正则极限学习机的网络流量预测模型。首先收集大量的网络流量历史样本,并进行相应的预处理,然后根据混沌理论确定最优延迟时间和嵌入维数,并重构网络流量学习样本,最后采用正则极限学习机建立网络流量预测模型,并进行仿真对比实验。结果表明,相对于其它网络流量预测模型,本文模型可以更加准确描述网络流量的非线性变化特点,提高网络流量预测精度,预测结果具有一定实用价值。

基于NSGA2优化正则极限学习机的变压器油色谱故障诊断

针对极限学习机缺乏稳定性对变压器故障诊断造成不良影响的问题,文中引入具有更好泛化能力的正则极限学习机,提出一种基于NSGA2优化正则极限学习机的变压器故障诊断方法。该方法以油中溶解气体含量比值作为特征输入,用NSGA2优化正则极限学习机随机生成的输入层权值与隐层偏置,避免了输出层权值矩阵过大,从而提高模型稳定性和诊断精度。仿真实验结果表明,相比于传统正则极限学习机,文中方法有更高的故障诊断正确率,是一种有效的变压器故障诊断方法。

改进布谷鸟算法优化正则极限学习机的空气质量预警模型

为了提高空气质量指数预测精度,本人利用改进的自适应步长布谷鸟算法寻优正则极限学习参数,建立ASCS-RELM空气质量指数预测模型,实验结果表明该模型对空气质量指数预测精度较为理想。

多任务正则极限学习机的研究与应用

MT-ELM通过隐含层共享不同任务间的数据特性实现多任务学习,但MT-ELM忽略任务间关联程度的差异以及存在的过拟合问题,为此提出基于MT-RELM软测量建模方法。首先,利用RELM解决过拟合问题;其次,考虑任务之间关联度的差异,基于相关性较强的任务其权值向量也较相似的假设,在每个任务输出权值的基础上加入约束条件,利用此约束条件表示任务间的相关程度;最后,利用ADMM算法迭代求解得到MT-RELM的模型参数。基于合成数据集与湿式球磨机数据集的结果表明,此算法可有效地提高模型的预测精度以及泛化能力。

基于批次加权正则极限学习机的发酵过程软测量

为实现发酵过程重要变量的预测,提出基于批次加权正则极限学习机的软测量模型。结合发酵过程中各批次变量变化轨迹与发酵初始条件密切相关的特点,采用欧式距离描述各训练批次初始条件与预测对象初始条件之间的相似度,设计了一种新的相似度量化函数求解各训练批次的惩罚权值,实现了批次加权正则极限学习机建模;另外,针对正则极限学习机中的超参数估计问题,采用贝叶斯方法对超参数进行估计,降低了计算代价且实现了参数自适应估计。将其应用于青霉素发酵过程产物质量浓度的软测量中,仿真结果表明该方法预测精度高,效果好。

基于正则极限学习机的驾驶员疲劳状态分类方法

为避免接触式疲劳检测方法给驾驶员带来干扰,解决单一信号源对于反映疲劳程度可靠性低的问题,实现对疲劳状态高精度、高速度的检测,提出一种基于正则极限学习机的驾驶员疲劳状态分类方法。该方法通过多普勒雷达模块采集驾驶员生理信号,包括呼吸信号和心跳信号,作为神经网络输入数据。通过多源信息结合的方式提高疲劳状态检测可靠性。设计正则极限学习机(RELM)模型对数据集进行训练。实验结果显示,基于RELM算法模型检测驾驶员疲劳状态的准确率达92%。RELM算法可实现对训练数据的快速计算和学习,同时通过特征变换消除个体差异,实现对驾驶员疲劳状态较高的检测率。

基于正则极限学习机的鞋面缺陷图像识别方法研究

针对制鞋企业大多采用人工检测鞋面缺陷效率低、成本高的问题,本文提出一种基于正则极限学习机的鞋面缺陷图像识别方法。本方法首先采用工业相机采集鞋面缺陷图像,并提取其特征值;然后基于正则极限学习机算法对所提取特征值进行数据处理;最后对特征值进行训练识别。检测结果表明,正则极限学习机算法在复杂检测环境下具有高识别精度,识别成功率在93.0%以上,且检测时间不超过0.51s,满足鞋面缺陷检测的工艺需求。

基于加权正则化极限学习机与改进梯度投影法的谐波源定位

针对配电网谐波源分布稀疏、监测装置少及定位难度高等特点,提出了采用基于加权正则化极限学习机与改进梯度投影法相结合的方法进行谐波源定位。具体的做法是,先构建系统量测节点的优化配置模型,采用模拟退火遗传算法进行求解,然后利用从监测节点获取的量测数据构建基于加权正则化极限学习机的谐波源定位模型,确定含有谐波源的嫌疑节点,实现谐波源的定性分析,最后再采用改进梯度投影法求取嫌疑节点的谐波电流,完成谐波源的定量分析。仿真结果表明:采用加权正则化极限学习机与改进梯度投影法相结合的谐波源定位方法具有定位精度高、速度快的优点,有一定的推广价值。

基于正则极限学习机的非平稳径流组合预测

针对径流时间序列固有的强非线性和非平稳性特征,提出了一种将集合经验模式分解(EEMD)、样本熵(SE)和正则化极限学习机(RELM)相结合的非平稳日径流预测方法(ES-RELM)。为充分提取径流序列的局部信息以提高预测精度,利用EEMD-SE将径流序列分解为一系列差异度明显的子序列,然后根据各子序列的迥异特征构建了不同的RELM模型对各子序列进行预测,最后将各个子序列的预测结果叠加从而得到最终预测结果。将该模型应用于金沙江下游控制站屏山站的日径流预报中,与九种模型对比结果表明,该方法能有效提高日径流预报精度,是一种高效稳定的径流预报模型,为实现高精度实时径流预报提供了可能。

基于QPSO正则化极限学习机的轴承故障诊断

从复杂的振动信号中提取有效的故障特征并且得到准确的分类结果,建立可靠的故障诊断方法一直都是滚动轴承故障诊断研究中的关键课题。文章提出一种改进的正则化极限学习机(Regularized Extreme Learning Machine,RELM)应用于降噪自动编码器(Denoising AutoEncoder,DAE)的故障分类方法。首先,将振动信号经过快速傅里叶变换得到的频域系数作为高维数据,然后利用堆叠降噪自动编码器(Stacked Denoising Autoencoders,SDAE)对高维数据进行学习,提取更具鲁棒性的特征,再将该特征作为RELM的输入进行分类,得到故障诊断模型。针对RELM中正则化参数选取困难问题,采用量子粒子群优化算法(Quantum-behaved particle swarm optimization,QPSO)进行参数优化。实验结果表明,基于SDAE-RELM的诊断方法在泛化性和故障识别率都优于SDAE和其他分类算法结合的故障识别方法。

考虑变形因子模式下基于正则化极限学习机的大坝变形预报方法

本文将结构风险最小化原则引入极限学习机模型,建立了在考虑变形因子模式下大坝变形预报的正则化极限学习机模型。该模型不仅计算速度较快,而且具有较强的泛化能力。通过对实际工程监测数据的详细分析,结果表明正则化极限学习机模型可以避免原极限学习机模型会导致过学习现象发生的可能,且其预报精度要优于原极限学习机模型、支持向量机模型与BP神经网络模型。显示了将其应用于大坝变形数据分析与预报领域是完全行之有效的。

基于天牛群优化与改进正则化极限学习机的网络入侵检测

正则化极限学习机(Regularized extreme learning machine,RELM)因其极易于实现、训练速度快等优点在诸多领域均取得了成功应用.对此,本文将RELM引入到入侵检测中,设计了天牛群优化算法(Beetle swarm optimization,BSO),并针对RELM由于随机初始化参数带来的潜在缺陷,提出基于天牛群优化与改进正则化极限学习机(BSO-IRELM)的网络入侵检测算法.使用LU分解求解RELM的输出权值矩阵,进一步缩短了RELM的训练时间,同时利用BSO对RELM的权值和阈值进行联合优化.为避免BSO算法陷入局部最优,引入Tent映射反向学习、莱维飞行的群体学习与动态变异策略提升优化性能.实验结果表明,在机器学习UCI数据集上,相比于RELM、IRELM、GA-IRELM、PSO-IRELM等算法,BSO-IRELM的数据分类性能提升明显.最后,将BSO-IRELM应用于网络入侵检测数据集NSL-KDD,并与BP(Back propagation)、LR(Logistics regression)、RBF(Radial basis function)、AB(AdaBoost)、SVM(Support vector machine)、RELM、IRELM等算法进行了对比,结果证明BSO-IRELM算法在准确率、精确率、真正率和假正率等指标上均具有明显优势.

基于径向基神经网络和正则化极限学习机的多标签学习模型

相比径向基(RBF)神经网络,极限学习机(ELM)训练速度更快,泛化能力更强.同时,近邻传播聚类算法(AP)可以自动确定聚类个数.因此,文中提出融合AP聚类、多标签RBF(ML-RBF)和正则化ELM(RELM)的多标签学习模型(ML-AP-RBF-RELM).首先,在该模型中输入层使用ML-RBF进行映射,且通过AP聚类算法自动确定每一类标签的聚类个数,计算隐层节点个数.然后,利用每类标签的聚类个数通过K均值聚类确定隐层节点RBF函数的中心.最后,通过RELM快速求解隐层到输出层的连接权值.实验表明,ML-AP-RBF-RELM效果较好.

基于流形正则化极限学习机的文本分类算法研究

基于极限学习机的文本分类方法在对输入的文本特征进行随机映射时,会呈现一种非线性的几何结构,利用最小二乘法无法对其进行求解,影响文本的分类性能。为此,引入一种新的流形正则化思想,提出基于极限学习机的改进算法。利用拉普拉斯特征映射保持输入文本特征的几何结构。基于样本的类别信息对样本点之间的距离进行修正,优先选择类别相同的样本点,以改善分类性能。在Reuters和20newsgroup数据集上的实验结果表明,与正则化极限学习机算法、AdaBELM算法等相比,该算法分类性能较好,F1-measure值可达91.42%。

基于遗传算法和正则化极限学习机的PM2.5浓度预测研究

环境质量与人们的健康息息相关,一直是研究的热点。本文选取长沙市2017年NO2、PM10等大气数据对PM2.5日均值进行预测,采用BIC准则进行特征选择。在传统的超限学习机(ELM)的基础上,引入正则化项以控制模型的复杂度,并用遗传算法(GA)对模型的输入层权重矩阵和隐含层阈值矩阵进行优化,建立遗传算法和正则化极限学习机(GA-RE-ELM)的PM2.5预测模型。实验表明,该模型相比BP神经网络、超限学习机有更好的精度,均方误差分别降低了35.09%、25.49%,平均绝对误差分别降低了40.86%、30.80%,平均绝对百分误差分别降低了45.49%、31.65%,为PM2.5浓度的预测提供一种新的方法。

多样性正则化极限学习机的集成方法

极限学习机(ELM)是一种单隐层前向网络的训练算法,随机确定输入层权值和隐含层偏置,通过分析的方法确定输出层的权值,ELM克服了基于梯度的学习算法的很多不足,如局部极小、不合适的学习速率、学习速度慢等,却不可避免地造成了过拟合的隐患且稳定性较差,特别是对于规模较大的数据集。针对上述问题,提出多样性正则化极限学习机(DRELM)的集成方法。首先,从改变隐层节点参数的分布来为每个ELM随机选取输入权重,采用LOO交叉验证方法和MSE^(PRESS)方法来寻找每个基学习器的最优隐节点数,计算并输出最优隐含层输出权重,训练出较好且具有差异性的基学习器。然后,将有关多样性的新惩罚项显式添加到整个目标函数中,迭代更新每个基学习器的隐含层输出权重并输出结果。最后,集成所有基学习器的输出结果对其求平均值,得到整个网络模型最后的输出结果。该方法能够有效地实现多样性正则化极限学习机(RELM)的融合,兼顾准确率和多样性。在10个不同规模的UCI数据集上的实验结果表明所提出的方法是行之有效的。

结合期望风险的极限学习机的研究

对极限学习机的模型进行了研究,提出了一种结合期望风险最小化的极限学习机的预测模型。其基本思想是同时考虑结构风险和期望风险,根据期望风险和经验风险之间的关系,将期望风险转换成经验风险,进行最小化期望风险的极限学习机预测模型求解。利用人工数据集和实际数据集进行回归问题的数值实验,并与极限学习机(ELM)和正则极限学习机(RELM)两种算法的性能进行了比较,实验结果表明,所提方法能有效提高了泛化能力。

采用极限学习机预测优化的超高压输电线畸变电场屏蔽

为解决超高压输电工程所面临的电场环境超标和环境治理成本过高的问题,该文提出以屏蔽效果最优和屏蔽成本最低为综合目标对民居附近的畸变电场进行多目标优化屏蔽。鉴于屏蔽方式与屏蔽效果之间难以直接用数学函数准确描述,提出先利用有限元软件仿真数据建立基于新型加权正则化极限学习机算法的屏蔽效果预测模型,然后基于此预测模型,采用分子微分进化算法对屏蔽线架设条数及其架设位置进行多目标优化求解。研究结果表明,该文方法可合理优化屏蔽线架设参数,得到成本更少而屏蔽效果更好的屏蔽方案,同时也为超高压输电畸变电场的屏蔽提供了新思路。

基于改进极限学习机的转炉出钢合金化锰收得率预测模型

针对转炉炼钢出钢合金化过程合金的加入量偏差较大的问题,为更精确地控制合金加入量,以某钢厂冶炼HRB400钢出钢过程加入硅锰合金为例,建立基于极限学习机算法的Mn元素收得率预测模型,并引入正则化方法和改进粒子群算法(IPSO)对极限学习机算法进行优化,以提高模型的泛化能力和预测精度。研究结果表明:Mn元素收得率预测相对误差在5%和3%以内的命中率分别为95%和80%,准确性高于BP神经网络及人工经验的预测结果。照此种方式控制硅锰合金加入量可以满足成品钢的成分要求,且每炉次硅锰合金加入量较人工经验值平均减少20 kg,可带来每年400万元的经济效益,能够为现场生产提供参考。