基于改进深度极限学习机的光伏扩容用户识别方法

为准确识别违规的分布式光伏扩容骗补用户,提出一种基于改进深度极限学习机的光伏扩容用户识别方法。首先利用同地区光伏发电出力具有相似性的特点,通过余弦相似度对参考电站和待测站点进行预处理;然后应用麻雀搜索算法SSA(sparrow search algorithm)对深度极限学习机DELM(deep extreme learning machine)的权值参数优化,用预处理的数据集训练SSA-DELM拟合模型,并根据光伏扩容的特性计算扩容系数。实验结果验证了所提方法对分布式光伏违规扩容用户识别的有效性。

蚁群优化算法协同深度极限学习机的热连轧宽度预测模型

热连轧粗轧生产过程中,为解决换规格后宽度设定精度低的难题,提出了一种蚁群优化算法协同深度极限学习机(ant colony optimization deep extreme learning machine,ACO-DELM)的热连轧粗轧宽度预测方法.该方法将蚁群优化算法应用于DELM网络中,以提高其预测精度和泛化能力.先利用数据预处理方法对原始数据进行异常值的剔除和数据归一化.然后,使用蚁群优化算法对DELM的隐藏层节点数、迭代次数进行优化,在隐藏层节点数达到95个、迭代次数为480次时,DELM模型的预测性能最佳,其在预测不同规格带钢平均宽度时,决定系数R^(2)达到0.9989,97.98%的样本点预测误差分布在-7~7 mm.应用结果表明,与传统的深度极限学习机(DELM)、卷积神经网络(CNN)等模型相比,ACO-DELM模型在预测精度和泛化能力上有明显的提升,可有效应用于热轧带钢的平均宽度预测.

基于蜣螂算法优化深度极限学习机的中介轴承故障诊断方法

针对中介轴承故障信号传递路径复杂、受背景噪声干扰大、故障特征提取难,且传统诊断模型准确率受限于测点位置的问题,提出了一种基于自适应噪声完全经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)与蜣螂算法(dung beetle optimizer,DBO)优化深度极限学习机(deep extreme learning machine,DELM)结合的中介轴承故障诊断方法。首先,使用CEEMDAN和由能量比-相关系数-峭度值组成的固有模态分量筛选准则对原始信号进行分解、筛选、重构,在重构信号的时域与频域中提取特征组成特征矩阵;其次,将诊断准确率作为DBO的适应度值,对DELM模型的初始权重进行优化构建出全新的DELM;最后,将特征矩阵输入DELM完成故障诊断。以中介轴承故障数据为例,经DBO优化后的DELM诊断准确率取得了较大提升,在诊断较为困难的45°方向上诊断准确率仍达到了98.75%。结果表明,该诊断方法有效识别了中介轴承故障类型,展现了较强的鲁棒性与泛化能力。

基于深度极限学习机的燃气轮机气路故障诊断技术研究

为提高输气管道设备中燃气轮机的可靠性和可用性,在稳态仿真模型的基础上,形成包含现场可测量参数、健康状态参数和故障类型的故障数据库。从参数动态调整和空气质点混沌初始化两个方面对风驱动(wind driven optimization, WDO)算法进行改进,再利用改进算法(improved wind driven optimization, IWDO)对深度极限学习机(deep extreme learning machine, DELM)的超参数进行寻优,并试算不同模型结构对分类效果的影响,最终形成最优IWDO-DELM组合模型。结果表明,仿真模型的热力和水力参数准确,可以为故障数据库的生成提供基础;最优DELM的模型结构为9-81-44-1,激活函数均为Sine;IWDO-DELM模型在训练集和测试集上的故障分类准确率分别为99.12%、98.83%,优于支持向量机(support vector machine, SVM)、反向传播神经网络(back propagation, BP)、相关向量机(relevance vector machine, RVM)和极限学习机(extreme learning machine, ELM)等模型的计算结果。通过现场验证,证明了IWDO-DELM模型可有效识别燃气轮机气路上的单故障和多故障类型。研究结果可为输气管道的安全平稳运行提供实际参考。

基于深度极限学习机的高拱坝变形安全监测模型

研究高精度、可解释性强的变形监测模型对于高拱坝的安全管理至关重要。文章基于深度极限学习机(DELM)提出了一种新的拱坝变形监测模型。将所提模型应用在一座高拱坝变形安全监测项目上,通过与两种典型的基线模型进行比较,全面考察了所提出模型的预测精度、预警性能。结果表明,与两种基线模型相比,所提模型的过拟合程度进一步降低,预测和预警性能显著提高。DELM比一般的极限学习机(ELM)特征提取能力更强,同时比神经网络模型训练更简单。

基于蚁狮算法优化深度极限学习机的水质评价研究

为提高水质评价的准确性,提出一种基于蚁狮算法优化深度极限学习机的水质评价模型.由于深度极限学习机采用随机方式对权重和阈值进行初始化,使权重和阈值存在随机性和不确定性,针对这一问题,选用蚁狮算法对深度极限学习机的权重和阈值进行初始化,然后用训练样本集数据对深度极限学习机进行训练,用训练好的模型对测试样本进行水质评价预测,并与深度极限学习机及其他智能算法优化深度极限学习机模型进行对比.对比实验结果表明,蚁狮算法优化的深度极限学习机模型的水质评价预测结果明显优于深度极限学习机,也优于其他智能算法优化的深度极限学习机模型,验证了该方法在水质评价预测中的有效性.

一种基于逐次变分模态分解和改进深度极限学习机的滚动轴承故障分类方法

为应对滚动轴承故障诊断中特征提取较难和故障类型识别准确率偏低等问题,提出一种基于逐次变分模态分解(SVMD)与分形维数(FD)结合算术优化算法(AOA)优化深度极限学习机(DELM)的轴承故障诊断方法。通过SVMD对轴承原始振动信号进行多尺度分解,得到一系列固有模态分量(IMFs);计算不同状态下各个IMF分量的FD,归一化后作为故障特征向量;利用AOA-DELM模型实现轴承的故障诊断。采用美国凯斯西储大学(CWRU)轴承数据集作为实验数据进行实验验证,结果表明,所提方法在滚动轴承故障诊断中具有优越性,识别准确率可达98.80%。

基于深度极限学习机的卫星云图云量计算

卫星云图云量计算是卫星气象应用的基础,现阶段对其的研究未能充分利用卫星云图的特征,导致云检测及云量计算的效果不好。针对该问题,利用多层神经网络进行卫星云图的特征提取,并通过大量实验寻找到最优的深度学习的网络结构。基于度极限学习机对卫星云图的云进行检测和分类,再利用"空间相关法"计算云图中的总云量。实验结果表明,基于传统极限学习机的深度极限学习机能够充分提取云图的特征,在进行云分类时能够较清晰地区分厚云和薄云间的界限。相比于传统阈值法、极限学习机模型以及卷积神经网络,深度极限学习机的云识别率以及云量计算准确率更高,且所提方法比卷积神经网络的效率更高。

改进深度极限学习机在肺癌中医证型分类中的应用研究

目的利用特征选择及Likert分级法量化肺癌病历数据,构建基于麻雀搜索算法优化的深度极限学习机模型,对肺癌中医病历数据进行证型分类与预测,为中医证型分类研究提供科学有效手段。方法从江西中医药大学附属医院收集了2015年1月-2021年12月诊断为肺癌的497例病历,筛选412例病历作为研究对象。利用特征选择和特征重要性排序等方法归纳出不同证型的证型因子,并使用Likert分级法量化证型因子。构建基于麻雀搜索算法优化的深度极限学习机,对模型进行训练、测试。最后把本研究所建模型与其他机器学习模型按照3种评价标准进行比较。结果本研究建立的SSA-DELM模型的平均分类准确率为88.44%,而采用支持向量机和贝叶斯网络的平均准确率分别为83.39%和84.53%。SSADELM模型在5种证型上的召回率及F1值大部分在80%以上,也优于其他传统的机器学习模型。结论研究结果表明,利用特征选择结合Likert分级法量化后的肺癌病历数据,相比于0-1化处理的数据更能显现出数据的特征,提高了分类模型的准确率,SSA-DELM新模型相比其他传统的机器学习分类模型,有更好的表征学习能力及学习速度。该模型不仅为临床治疗肺癌的研究提供了科学的技术手段,也为中医辨证论治的信息化、智能化发展提供有益的借鉴。

基于多变量相空间重构和优化深度极限学习机的短期风电功率预测

针对风电功率单变量处理方法及预测模型拟合能力不足的问题,提出了一种多变量相空间重构(multivariate phase space reconstruction,MPSR)和鲸鱼优化算法深度极限学习机(whale optimization algorithm-deep extreme learning machine,WOA-DELM)的短期风电功率组合预测方法。首先,利用Pearson相关系数筛选出与风电功率相关的气象因素,并将其与风电功率序列组成多变量时间序列;其次,利用C-C法确定每一时间序列的最优嵌入维数和时间延迟,实现多变量相空间重构;然后,将多变量相空间重构建立的数据集输入到深度极限学习机(deep extreme learning machine,DELM)模型中,同时利用鲸鱼优化算法(whale optimization algorithm,WOA)对DELM的权值参数进行优化,得到WOA-DELM预测模型,以此预测短期风电功率,最终得到预测结果。将平均绝对误差(mean absolute error,MAE)、均方根误差(root mean square error,RMSE)和平均绝对百分比误差(mean absolute percentage error,MAPE)作为评价指标,结合实例分析,并与传统的模型进行比较。结果表明:所提预测模型得到的3个评价指标分别0.4120 MW、0.4921 MW和1.7822%,优于其他模型,具有更好的稳定性和预测性能。

基于深度极限学习机的煮糖制炼自适应控制研究

煮糖制炼过程是一个包含各种因素相互影响与相互作用的高度非线性且机理复杂的过程,难以直接通过机理建模解决煮糖制炼自动控制问题。为了解决存在耦合方式多变、糖膏物性不确定与高度非线性等复杂因素的煮糖制炼自适应控制难题,本文提出了一种基于深度极限学习机的煮糖制炼自适应控制方法。该方法基于极限学习机自编码器抽取煮糖制炼过程关键参数特征,实现煮糖制炼关键参数粗差数据的剔除与脉动数据的滤波,并以煮糖制炼过程离散状态控制转移为核心,基于深度极限学习机构建煮糖制炼过程关键参数的递推自适应控制模型,实现了煮糖制炼过程深度递推自适应控制。实例结果表明,本文多提出方法能够根据工艺目标与现场数据自适应协调各个控制量,与人工煮糖相比,该方法不但能缩短制炼时间,而且能够有效地降低成品糖的色值,验证了所提出方法对解决煮糖制炼自适应控制问题的有效性与可行性。

基于压缩感知与改进的深度极限学习机的轴承故障诊断方法

大数据时代下的轴承故障监测存在海量数据处理实时性和故障特征选取的主观性问题,为了实时、智能的实现轴承故障诊断,提出了压缩感知(Compressed Sensing,CS)与改进的深度极限学习机(Multilayer Extreme Learning Machine,ML-ELM)相融合的轴承故障诊断新方法。该方法首先通过压缩感知理论从大量轴承监测数据中获取能够表达特征信息的少量数据,然后用轴承信号在压缩感知变换域中的测量值进行由PSO改进的深度极限学习机分类识别,实现故障智能诊断。此方法大幅减少了轴承诊断信号的数据量并省去了智能诊断时特征选取的步骤,充分利用了深度极限学习机从少量测量值中挖掘轴承信号的特征信息,实现了智能、准确的分类。实验分析表明:该方法对不同位置、不同损伤程度的故障能够准确的识别,为轴承状态监测和故障诊断提供了新方法。

基于麻雀算法和深度极限学习机的NO_(x)预测研究

准确的NOx预测方法对脱硝超低排放和机组的安全稳定运行意义极大。基于烟气含氧量、一次风总量、一次风压、二次风总量、总煤量、各个二次风门开度等分布式控制系统(distributedcontrolsystem,DCS)数据,分别构建用于NOx预测的基于麻雀算法(sparrow search algorithm,SSA)和深度极限学习机(deepextremelearningmachine,DELM)的SSA-DELM模型和DELM模型。结果表明,构建的预测模型能定量计算出延迟时间。延迟时间为2min时,脱硝入口NOx浓度的SSA-DELM模型的预测值和实测值的误差较小,其中,SSA-DELM模型对测试样本的均方根误差为0.89mg/m^(3),DELM模型对测试样本的均方根误差为7.65mg/m^(3)。延迟时间为3.3min时,脱硝出口NOx浓度的SSA-DELM模型的预测值曲线与实测值曲线基本吻合,SSA-DELM模型对测试样本的的均方根误差为2.18mg/m^(3),DELM模型对测试样本的均方根误差为3.21mg/m^(3)。

基于改进麻雀算法优化深度极限学习机的缺失数据预测

数据缺失降低了数据的可利用性,因此如何预测缺失数据变得尤为重要。针对缺失数据问题,提出一种改进麻雀搜索算法优化深度极限学习机的预测算法。首先,将Singer混沌映射、柯西-高斯变异策略和余弦权重因子与麻雀搜索算法结合;其次利用改进后的麻雀搜索算法优化深度极限学习机中的各极限学习机中自动编码器的输入权重与偏置,进行缺失数据预测。实验表明,在小数据量,低缺失率下时,改进麻雀搜索算法优化深度极限学习机相较于麻雀搜索算法优化深度极限学习机、粒子群优化深度极限学习机、深度极限学习机,其稳定性强,预测精度最高;在均方根误差、平均绝对误差等评价指标上改进麻雀搜索算法优化深度极限学习机优于对比算法。

基于优化深度极限学习机的船舶柴油机故障诊断

针对人工生态系统算法易限于局部最优、全局探索能力差等缺陷,提出一种改进人工生态系统优化算法(Improved Artificial Ecosystem-based Optimization Algorithm, IAEO)。利用Hammersley点集初始化,使个体分布更加均匀;采用非线性递减及混沌序列来提高算法的探索和开发能力;加入爆炸操作和高斯变异来提高算法跳出局部最优的能力,在四个基准函数的仿真结果表明寻优能力有较大提高。利用多层极限学习机对数据进行特征提取,在有监督部分利用混合核极限学习机进行分类。利用IAEO优化混合核函数的核参数、正则化系数和比例系数,并在标准数据集上进行性能验证。将该方法应用于船舶柴油机故障诊断,该方法有效提高了故障诊断的准确性和稳定性并表现出较好的泛化性能。

基于小波包分解-非洲秃鹫优化算法-深度极限学习机的水文预报模型及其应用

针对水文序列多尺度、非线性、非平稳性特点,将小波包分解(WPD)与非洲秃鹫优化算法(AVOA)—深度极限学习机(DELM)相结合,建立WPD-AVOA-DELM组合预测模型,利用AVOA优化DELM输入层权值、隐含层偏值或隐含层神经元数,分别建立WPD-AVOA-DELM^(1)(优化DELM输入层权值、隐含层偏值)、WPD-AVOA-DELM^(2)(优化DELM隐含层神经元数)模型,利用WPD将云南省革雷站水文序列分解为8个子序列分量,对各子序列分量进行预报,将预报结果加和重构得到最终预报结果。结果表明,WPD-AVOA-DELM^(1)、WPD-AVOA-DELM^(2)模型对革雷站月径流、月降水量、年径流、年降水量预报的平均相对误差分别为1.86%、8.82%、0.79%、0.52%和1.97%、8.30%、0.92%、0.71%,预报精度远高于单一模型AVOA-DELM^(1)、AVOA-DELM^(2)、AVOA-SVM,高于组合模型WPD-AVOA-SVM,具有更好的预报效果。可见WPD能科学降低水文序列的复杂性,提高预报精度;AVOA能有效优化DELM关键参数,提高DELM网络性能。

改进鲸鱼算法优化的多维度深度极限学习机短期负荷预测

电力系统短期负荷预测的准确性是影响电力系统运行安全的关键因素。以更精准进行短期负荷预测为目标,提出了一种基于改进鲸鱼算法(Improved Whale Optimization Algorithm,IWOA)优化的多维度深度极限学习机(Deep Extreme Learning Machine,DELM)短期负荷预测方法。首先,针对传统鲸鱼算法(Whale Optimization Algorithm,WOA)初始种群分布不够广泛的问题,引入Tent混沌映射对初始鲸鱼种群初始化;其次针对极限学习机模型(Extreme Learning Machine,ELM)数据深层隐藏的信息学习能力差的问题,采用深度极限学习机作为基础负荷预测模型,并以改进鲸鱼算法对其进行参数寻优;最后考虑到温度、湿度等因素对负荷变化影响较大,建立多维度IWOA-DELM负荷预测模型。仿真结果表明,与其他模型相比,多维度的IWOA-DELM模型预测的准确度更高。

基于深度极限学习机的柴油机尾气排放预测

准确预测拖拉机等柴油机械实际工况污染物排放在排放清单建立和区域污染物排放控制方面具有重要意义。基于拖拉机不同运行状态下发动机转速、油耗、燃烧比、CO、HC、NO_(x)和PM实测数据作为数据源,建立深度极限学习机(deep extreme learning machine,DELM)的预测模型,并对拖拉机怠速、行走和旋耕等基本工况下的污染物排放进行预测。为进一步评估DELM预测模型的适应性,将其与支持向量机(support vector machine,SVM)和反向传播(back propagation,BP)神经网络模型进行对比分析。结果表明:DELM模型在预测排放时间序列方面具有一定优势,其预测拖拉机在怠速、行走和旋耕3种状态下的NO_(x)、HC、CO和PM排放均方根误差均值分别为5.269×10^(-5)、5.195×10^(-5)、5.135×10^(-5)和2.795×10^(-5)。DELM模型与SVM和BP对比发现,DELM模型在鲁棒性以及适应性方面的优势显著。DELM方法的较高的准确度和泛化性,为基于发动机状态数据预测移动源尾气排放提供思路和方法。

基于深度极限学习机的水质预测研究

根据河北省某水厂数据,建立了基于MATLAB技术的深度极限学习机模型(简称D-ELM),并通过该模型对水质的pH值、浊度(NTU)和耗氧量3个指标进行了预测分类。通过D-ELM与极限学习机(简称ELM)和BP网络模型相互比较。研究结果表明,深度极限学习机的精度比极限学习机提高6.7%,预测时长比极限学习机缩短0.486 s。而深度极限学习机的精度比BP网络模型提高了26.7%,同时预测时长比BP网络模型缩短2.707 s。从而说明深度极限学习机对水质预测的合理性和可行性,其在自来水水质预测分类中具有更高的应用价值。

基于麻雀搜索优化深度极限学习机的入侵检测方法

深度极限学习机(DELM)由于其性能好、泛化能力强等优点成功应用于许多领域.针对现有入侵检测技术存在检测效率低等问题,将DELM引入到网络入侵检测中,并针对其初始参数随机性较大等问题,提出了一种基于改进的麻雀搜索算法(RSSA)优化DELM的入侵检测模型RSSA-DELM.首先在麻雀搜索算法(SSA)中,对麻雀发现者和麻雀警戒者的位置更新公式进行改进,有效避免了SSA算法陷入局部最优并引入随机游走策略对麻雀最优解进行扰动,进一步提高麻雀搜索能力,增加种群多样性.改进的麻雀搜索算法(RSSA)与标准麻雀搜索算法(SSA)、粒子群优化算法(PSO)和鲸鱼优化算法(WOA)在四种测试函数上相比,收敛速度更快、收敛精度更高,具备良好的性能.然后利用改进的麻雀搜索算法对DELM的权值和偏置进行联合优化,最后采用优化的DELM算法对NSL-KDD网络数据集进行分类检测.实验结果表明,RSSA-DELM与DELM、SSA-DELM、RNN等算法相比有更高的检测率,分类性能平均提升了18%.