基于变分模态分解和深度多核极限学习机的轴承故障分类

针对轴承故障分类任务中核极限学习机(kernel extreme learning machine,KELM)超参数选择困难、模型运算速度慢的问题,提出一种基于深度混合核极限学习机(deep hybrid kernel extreme learning machine,DHKELM)的轴承故障分类方法,利用天鹰优化算法(aquila optimization algorithm,AO)实现该模型超参数的优化选择。首先,以峰度指数作为鲸鱼优化算法(whale optimization algorithm,WOA)的适应度函数,对变分模态分解(variational mode decomposition,VMD)的相关参数寻优,利用最优参数组合进行VMD分解,得到k个模态分量并求其希尔伯特-黄变换(Hilbert-Huang Transform,HHT)边际谱作为特征数据,将其作为天鹰优化DHKELM分类器的输入,对不同状态的轴承故障进行识别。实验结果表明,KELM,DHKELM,天鹰优化DHKELM三种分类模型故障识别准确率分别为94%,96.67%,98.34%,运算时间分别为0.0631,0.0360,0.0175 s,证明AO-DHKELM识别准确率和运算速度均具有明显优势。

基于深度学习与改进极限学习机的包装机轴承故障诊断

针对包装机故障信号受噪声影响且样本稀少导致传统的诊断方法不能满足实际场景应用要求的问题,提出一种新的轴承故障诊断方法。首先,利用连续小波变换(Continue Wavelet Transform, CWT)将振动信号转换为二维图像。其次,将其输入深度网络模型进行训练。再次,利用极限学习机(Extreme Learning Machine, ELM)进行故障分类。最后,通过麻雀搜索算法(Sparrow Search Algorithm, SSA)对ELM进行优化。试验结果显示,在强噪声干扰且少样本训练的情况下,所提方法的准确率仍能够达到98.91%,并且模型在不同的轴承数据集中的准确率均达到98.92%,证明所提方法具有一定的实用价值。

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。

基于深度信念极限学习机与卷积优化算法的洪水预报方法

针对洪水峰高量大、汇流时间短以及流域地貌复杂,导致洪水预报难度大和预报精度不理想的问题,提出一种基于深度信念极限学习机(DBN-ELM)和改进卷积优化算法(ICOA)的ICOA-DBN-ELM模型。以渭河上游北道水文站点2006~2020年的日径流数据作为输入数据,并将该模型与BP、ELM、DBN-BP、DBN-ELM、COA-DBN-ELM模型进行对比。结果表明,所建立的ICOA-DBN-ELM模型有更好的预报精度,在洪水预报领域具有良好的应用前景。

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。

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%。

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。

融合滞后极限学习机的IDBiLSTM短时交通流预测

深度学习短时交通流预测中,存在数据处理实时性较弱,以及算法对交通流数据的复用和修正能力不足导致预测性能较差的问题。针对这一问题,提出一种融合滞后极限学习机的深度双向长短时记忆神经网络短时交通流预测方法。首先,引入权值共享机制对双向长短时记忆网络模型进行结构优化,在模型训练过程中不断进行权重更新和偏置更新,从而充分利用逆序逆转数据增强数据的复用和修正能力;其次,为了进一步提高算法实时性,引入极限学习机模型,并在其神经元激活函数中嵌入生物神经系统中的滞后参数进行优化,加速了运算效率,提升算法的整体实时性。实验结果表明:提出的方法预测精度和算法实时性均有提升,与经典方法CNN-BiLSTM和多元集合CNN-LSTM相比,平均绝对误差分别减少了6.82、6.47,计算速度分别提高了12、19 s,具备良好的短时交通流预测能力和实时性。

深度在线小波极限学习在旋转机械故障诊断中的应用

由于旋转机械故障诊断模型训练时间长,容易过拟合以及传统的极限学习机只能处理批量数据,实效性差等问题。提出一种基于深度在线小波极限学习机的旋转机械故障诊断方法。将自编码器的思想引入小波极限学习机中,堆叠形成WELM-AE,将底层的故障特征向更加抽象的高级特征转换。再采用在线极限学习机作为顶层分类器进行故障识别。实验结果验证:该算法在旋转机械故障诊断上的可行性,继承了极限学习机训练速度快的特点,相较于BP、SVM、SAE、CNN有更高的准确率。

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。

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。

基于优化的深度极限学习机的柴油车NO_(x)排放预测

用麻雀搜索算法优化的深度极限学习机(SSA-DELM)构建柴油车NO_(x)排放预测模型,对柴油车低速、中速和高速状态下的NO_(x)排放进行预测,并将此模型性能与深度极限学习机(DELM)模型性能进行对比分析。结果表明:SSA-DELM模型的预测效果较好,在低速、中速、高速状态下该模型平均绝对百分比误差MAPE分别为0.0610、0.0449、0.0391;在低速、中速、高速状态下SSA-DELM模型的性能评价指标比DELM模型性能评价指标分别优约23%、44%、11%。

基于深度学习的全景片自动牙位标识

根据国际牙科联盟系统的全景片影像实际特征,提出一种基于参数优化的用于自动牙齿检测和标号分类的方法。运用先进的深度学习方法构建创新以及实用的三阶段牙科全景片牙齿标识方法。使用全景片图像将其分为几个阶段,以SqueezeNet的基于掩膜区域卷积神经网络作为基线模型进行特征提取过程,使用燕群优化算法进行参数优化,应用基于SoftMax分类器的牙齿预测和加权极限学习机的阶段分类模型确定牙齿编号类别标签,在图像数据集上进行评估,所提方法具有性能竞争力。

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。

深度PCA子空间极限学习机图像检索算法

传统的基于内容的图像检索方法缺少自主学习能力,图像表达能力不强,严重制约其图像检索性能,而深度学习模型为图像检索提供了新思路.本文提出一种深度PCA子空间极限学习机图像检索算法.首先将图像进行分块处理,采用多层级联主成分分析作为卷积滤波层,将图像映射到深层PCA子空间,然后通过深度极限学习机获得深层子空间稀疏特征,实现图像的深层特征提取.最后对特征进行哈希编码,利用编码实现快速图像检索.在MNIST、CIFAR-10和CALTECH256等数据集上的实验结果表明,该算法在训练效果和训练时间上都具有较好的性能,与卷积神经网络等深度学习框架相比,具有结构简洁、收敛速度快等优点.

基于深度极限学习机的模拟电路故障诊断

针对模拟电路故障诊断中特征提取以及模型训练时间较长的难题,采用了一种基于深度极限学习机的模拟电路故障诊断算法。该算法将深度学习中自编码器的思想引入到极限学习机中,构建深度网络,将底层的故障特征转换更加抽象的高级特征,能自主地学习数据特征,避免了繁琐的特征提取和选择。最终通过Sallen-Key和四运放双二次高通滤波2个模拟电路进行仿真研究,实验结果验证了算法在模拟电路故障诊断上的可行性,也表明模型学习速度快、泛化能力好,具有较强的诊断能力,故障诊断分类准确率可以达到100%,诊断时间在0.3 s左右。

应用深度核极限学习机的航空发动机部件故障诊断

运用传统单隐层的神经网络进行航空发动机部件故障诊断识别受其浅层结构影响,精度不高,而用深度置信网络(Deep belief network,DBN)等深度学习方法则存在耗时、参数训练复杂的问题。为解决现有的基于数据驱动的发动机部件故障诊断方法的不足,提高诊断精度,缩短训练时间,将核方法和多层极限学习机(Multilayer extreme learning machine,M-ELM)相结合,提出一种深度核极限学习机(Deep kernel extreme learning machine,DK-ELM)。算法首先利用深度网络结构对输入数据进行逐层的特征提取,抽象得到的特征通过核函数实现高维空间映射分类。这些措施有利于提高算法的分类精度和泛化性能,在训练速度上较深度学习也有明显的提高。将该算法与深度学习和其他极限学习机算法进行综合比较研究,结果表明:基于DK-ELM的诊断方法有效、可靠,便于实现,为航空发动机部件故障诊断提供一个更为优秀实用的工具。

基于小波变换样本熵和深度核极限学习机的电压暂降源辨识

电压暂降源的准确辨识是电压暂降治理决策和责任划分的基础。本文针对电压暂降源辨识困难问题,以信号处理和机器学习为基础,提出了一种基于小波变换样本熵和深度核极限学习机的电压暂降源辨识方法。利用小波变换对电压暂降信号进行分解,并计算分解后的小波系数的样本熵,以构成特征向量。基于极限学习机和自编码器理论并引入核函数构建深度核极限学习机模型,并将特征向量作为模型输入,通过多次训练和参数调试,获得最优参数。利用训练好的模型对输入数据进行辨识,以实现电压暂降源的辨识。结果表明,所提方法的准确率高、抗噪声性能好。