基于稀疏贝叶斯极限学习机的光伏电站设备故障诊断研究

基于运维数据针对光伏(PV)电站逆变器的故障诊断进行研究,提出一种基于稀疏贝叶斯极限学习机(SBELM)的精准的光伏逆变器故障诊断方法。首先分析逆变器故障数据特征,将该问题转化为一个多分类问题;然后,采用合成少数类过采样技术(SMOTE)方法人工生成数据,解决数据不均衡问题,根据环境和逆变器实时监控据提取特征向量,并通过SBELM训练模型,可给出输出的概率分布,自动修剪冗余的隐藏节点,在不影响性能的前提下实现用部分节点进行多故障分类。通过实验分析,相比于其他故障诊断方法,SBELM诊断速度快且精度高,更适用于诊断光伏逆变器的故障。

基于稀疏贝叶斯极限学习机算法的股票价格预测

股票价格模型是金融理论分析与实证分析的重要基础,学术界与金融业界对其建模预测一直保持着极大的兴趣,但由于股票价格表现出高噪声性、强非线性、随机分形结构以及长记忆效应等特点,需要融合优化算法、统计学习方法与金融学理论对其建模分析。基于传统方法的股票价格过程建模预测结果往往精度不够好,所建立的模型泛化能力较差。基于稀疏贝叶斯极限学习机(SBELM)方法对股票价格进行建模预测,SBELM既能保持传统极限学习机(ELM)算法训练过程简捷的优点,又具有稀疏贝叶斯学习机自动选择隐藏层节点数的优点。利用上证综合指数2014-2015年的市场数据,比较基于SBELM方法的建模预测与基于贝叶斯极限学习机(BLEM)、ELM以及BP神经网络学习算法的建模预测,结果表明,基于SBELM方法的市场指数模型预测精度最高、泛化能力最强,具有较好的应用价值。

基于贝叶斯优化混合核极限学习机的真伪卷烟拉曼光谱预测研究

为解决人工鉴别真伪卷烟存在的预测精度低和主观性强的问题,提出一种基于贝叶斯优化混合核极限学习机的真伪卷烟拉曼光谱鉴别方法。该方法通过采用混合核函数提高模型的学习能力和泛化性能,并采用贝叶斯算法对混合核函数的参数进行优化,使其不仅有良好的局部搜索能力,同时也加强了全局搜索能力。将该方法应用于某品牌的真伪卷烟预测,试验结果表明:该模型拥有更好的预测精度,为真伪卷烟拉曼光谱预测提供了一种新思路。

基于l_(0)范数的鲁棒极限学习机的稀疏算法研究

为了进一步提高极限学习机(extreme learning machine,ELM)的稳定性和稀疏性,在鲁棒ELM的基础上,引入l_(0)范数作为模型的正则项来提高稀疏性,建立了基于l_(0)范数正则项的稀疏鲁棒ELM。首先,通过一个凸差(difference of convex,DC)函数逼近l_(0)范数,得到一个DC规划的优化问题;然后,采用DC算法进行求解;最后,在人工数据集和基准数据集上进行实验。实验结果表明:基于l_(0)范数的鲁棒ELM能够同时实现稀疏性和鲁棒性的提升,尤其在稀疏性上表现出较大的优势。

基于优化的灰色关联分析-极限学习机食用油污染物风险评价模型研究

近年来食用油安全事故频发,为降低这类事件的威胁,对其风险评价模型进行研究有着极其重要的意义。针对目前食用油检测数据高维性、非线性、离散性和含噪声的特点,现有风险评价模型存在噪声抑制能力差、评价不准确和模型参数调整主观性强等问题。对此,本实验提出一种食用油污染物风险评价模型。首先进行风险指标筛选以及数据预处理,然后将处理后的数据输入到基于小波阈值法的滤波模块中进行滤波,随后通过灰色关联分析计算各风险指标的权重来制定多指标综合风险值标签;由极限学习机(extreme learning machine,ELM)对综合风险值进行预测,在上述过程中利用实用贝叶斯优化算法分别来优化滤波模块和ELM网络的参数;最后利用模糊综合分析对预测综合风险值进行风险等级划分。本研究依托150组食用油数据进行分析,详细阐述了该模型的使用流程,通过不同模型对比实验,本研究模型决定系数R2和均方根误差分别为0.0563和0.9461,进一步验证了方法的优越性和有效性,可以为相关部门制定风险控制策略、抽检策略以及优化加工链提供更为合理的依据。

基于稀疏性贝叶斯极限学习机的气动调节阀多类故障诊断

气动调节阀是工业过程中使用最广泛的终端执行机构之一,它的性能好坏直接影响控制回路的性能.将基于稀疏性贝叶斯的极限学习机(SBELM)方法运用于多类故障诊断,基于DAMADICS平台的典型气动调节阀多类故障模型数据通过SBELM进行训练.不仅能根据模型的先验知识和基于最大后验概率准则(MAP)的贝叶斯思想估计出模型输出的概率分布,而且能基于设定的性能指标自动剔除无用的训练样本,用一小部分观测数据达到多故障分类的目的,能训练出一个精确且紧凑的故障诊断模型.

混合动力汽车电池内部状态预测的贝叶斯极限学习机方法

针对混合动力汽车(HEV)电池内部状态预测问题,引入贝叶斯极限学习机(BELM)方法。对BELM的基本原理进行了详细介绍,在高级车辆仿真软件ADVISOR中采集HEV电池的各项性能参数,包括电压、电流、温度和内阻等。基于此,将BELM应用于电池的荷电状态(SOC)和健康状态(SOH)的预测,同时考虑电池老化对内部状态预测效果的影响。BELM预测结果表明:所设计的预测模型具有较高的精度,能够实时准确地预测出电池的SOC和SOH值。

基于分层极限学习机和局部稀疏模型的视觉跟踪算法

目标跟踪过程中常遇到形变和部分遮挡问题.为了解决该问题,文中提出结合分层极限学习机和自适应结构化局部稀疏外貌模型的视觉跟踪算法.分层极限学习机具有提取鲁棒特征并快速分类的能力.自适应结构化局部稀疏外貌模型可以使跟踪结果更准确,也可以解决部分遮挡问题.在不同视频序列上的性能测试表明文中算法在保持较高跟踪精度的同时,跟踪过程也较稳定.

基于稀疏和近邻保持的极限学习机降维

近邻与稀疏保持投影已被广泛应用于降维方法,通过优化得到满足近邻结构或稀疏结构的降维投影矩阵,然而这类方法多数只考虑单一结构特征.此外,多数非线性降维方法无法求出显式的映射函数,极大地限制了降维方法的应用.为克服这些问题,本文借鉴极限学习机的思想,提出面向聚类的基于稀疏和近邻保持的极限学习机降维算法(SNP-ELM). SNP-ELM算法是一种非线性无监督降维方法,在降维过程中同时考虑数据的稀疏结构与近邻结构.在人造数据、Wine数据和6个基因表达数据上进行实验,实验结果表明该算法优于其他降维方法.

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。

基于堆栈稀疏自编码融合核极限学习机的近红外光谱药品鉴别

提出一种基于堆栈稀疏自编码融合核极限学习机(Stacked sparse auto-encoders combine kernel extreme learning machine,SSAE-KELM)的近红外药品鉴别方法,通过引入核极限学习机代替SSAE的Softmax分类和BP微调阶段,减少了模型的训练步骤、训练参数以及训练时间,提高了深度学习网络的实际应用能力,核函数的引入提高了模型的分类能力。其中,SSAE用于初始化整个网络模型,并且从输入数据中学习到有用的特征,KELM用于实现分类任务。研究了SSAE-KELM模型对不同厂商生产的同一包装形式(铝塑或非铝塑)药品鉴别的预测能力、稳定性及训练时间,以实现药品的二分类和多分类的无损鉴别。同时,与ELM、SSAE、BP、SVM及随机隐退深度信念网络(Dropout-DBN)进行对比。结果表明,无论是二分类还是多分类,SSAE-KELM不仅具有更优的分类能力和稳定性、还减少了训练时间。因此,SSAE-KELM是一种有效的光谱分类建模工具。

L1正则化与pinball损失函数的极限学习机

极限学习机(extreme learning machine, ELM)由于其训练速度快、易于实现等优点,在回归领域得到了广泛的应用。然而,传统ELM的平方损失函数在异常值面前放大了异常值的影响,从而降低了性能。为了提高ELM的鲁棒性,在ELM中引入pinball损失函数。pinball损失函数与误差线性相关,与平方损失函数相比,可以减少异常值的影响。此外,L2范数正则化对于隐藏层节点缺乏稀疏性。相比之下,L1范数正则化可以改善模型的稀疏性。为了同时具有鲁棒性和稀疏性,提出了一种基于L1范数正则化和pinball损失函数的ELM模型,通过迭代重加权算法求解相应的优化问题。为了验证模型的鲁棒性和稀疏性,在6个真实数据集上进行实验。实验结果表明,提出的L1-PELM优于其他方法。特别是对于异常值比率较大的数据,L1-PELM不仅对异常值不敏感,而且保持了稀疏性。

基于栈式降噪稀疏自编码器的极限学习机

极限学习机(ELM)随机选择网络输入权重和隐层偏置,存在网络结构复杂和鲁棒性较弱的不足。为此,提出基于栈式降噪稀疏自编码器(sDSAE)的ELM算法。利用sDSAE稀疏网络的优势,挖掘目标数据的深层特征,为ELM产生输入权值与隐层偏置以求得隐层输出权值,完成训练分类器,同时通过加入稀疏性约束优化网络结构,提高算法分类准确率。实验结果表明,与ELM、PCA-ELM、ELM-AE和DAE-ELM算法相比,该算法在处理高维含噪数据时分类准确率较高,并且具有较强的鲁棒性。

进化贝叶斯优化的核极限学习机分类器

为解决传统核极限学习机算法参数优化困难的问题,提高分类准确度,提出一种改进贝叶斯优化的核极限学习机算法。用樽海鞘群设计贝叶斯优化框架中获取函数的下置信界策略,提高算法的局部搜索能力和寻优能力;用这种改进的贝叶斯优化算法对核极限学习机的参数进行寻优,用最优参数构造核极限学习机分类器。在UCI真实数据集上进行仿真实验,实验结果表明,相比传统贝叶斯优化算法,所提算法能提升核极限学习机的分类精度,相较其它优化算法,所提算法可行有效。

极限学习改造稀疏自动编码机及其在故障诊断中的应用

传统栈式稀疏自动编码机的全局权值微调算法基于反向传播,由于深度神经网络损失函数的非凸性质,反向传播算法极易陷入局部极小值,且前几层网络的权值往往得不到充分训练。为此引入极限学习算法到深度神经网络的训练中来,将多个通过二阶Hessian-Free方法训练后的稀疏自动编码机层叠起来,然后通过正则化ELM算法确定最后输出层的权值。结果表明二阶Hessian-Free方法克服了最速下降法存在的锯齿型收敛问题,并保留了牛顿方法计算Hessian矩阵的时间和空间开销。将机车振动数据分别用离散傅里叶变换和量子傅里叶变换转换到频域后作为特征输入网络,检测结果表明网络的泛化能力和训练速度都有了可观的提升。

基于增量稀疏核极限学习机的柴油机故障在线诊断

为实现柴油机故障在线诊断,提出了基于增量稀疏核极限学习机(ISKELM)的快速在线诊断方法.针对核在线学习中的样本稀疏化与模型膨胀问题,提出了基于瞬时信息测量的稀疏核函数字典构造策略,根据最小化字典冗余和最大化字典元素自信息量的原则实现样本前向稀疏与后向删减,在最佳阶数内对字典进行在线扩充与修剪,从而建立阶数有限且结构稀疏的诊断模型.针对模型核权重矩阵更新问题,提出了增样学习与改进减样学习算法对核权重矩阵进行在线递推求解,降低了计算复杂度,提高了模型在线更新速度.UCI标准数据与柴油机故障数据分类实验结果表明,与几类现有在线诊断算法相比,ISKELM在保证较高分类精度的同时,极大地提高了在线建模速度,更加快速准确地实现了柴油机故障在线诊断.

基于增量稀疏核极限学习机的发动机状态在线预测

针对发动机状态在线预测中样本累积、预测模型膨胀和在线更新速度慢等问题,提出了基于增量稀疏核极限学习机的在线预测方法.该方法定义了KELM核函数矩阵的稀疏测量矩阵,并根据矩阵原子相干最小化和自信息量最大化的样本信息度量准则实现在线样本前向稀疏与后向删减,提高了样本稀疏化效率.利用有效样本对测量矩阵在最佳阶数内进行在线扩充与修剪,限制了预测模型膨胀.利用改进的增量建模方法对模型的核权重矩阵进行递推更新,从而建立规模有限且结构稀疏的在线预测模型,提高了在线建模速度.仿真数据和发动机状态参数在线预测实验结果表明,与现有在线预测方法相比,ISKELM具有更高的样本稀疏化和在线建模效率.对发动机排气温度进行120步预测时,预测速度分别提高了80.50%和31.72%,预测精度分别提高了48.56%和15.81%.

基于改进流形正则化极限学习机的短期电力负荷预测

为提高短期电力负荷预测的精度与效率,提出一种改进流形正则化极限学习机的短期电力负荷预测方法;首先,为了改善极限学习机(ELM)的泛化性能与效率,并解决随机初始化参数导致极限学习机存在的潜在问题,采用流形正则化理论优化极限学习机;其次,针对流形正则化极限学习机中参数的选择,以及流形正则化极限学习机隐层节点选择的问题,提出将贝叶斯优化算法(BOA)融入到流形正则化极限学习机中以优化流形正则化极限学习机(MRELM)。最后,通过实验数据分析,改进流形正则化极限学习机预测方法将预测平均相对误差降低到了1.903%,30次实验的平均相对误差的方差降低到了1.9‰,平均单次运行时间降低到了6.113 s。

基于极限学习机与子空间追踪的人脸识别算法

极限学习机(ELM)与稀疏表示分类(SRC)算法被广泛应用于人脸识别中。ELM学习速度快,但不能很好地处理噪声图像,SRC对噪声具有鲁棒性,但计算复杂度较高。针对上述2种算法的优缺点,利用子空间追踪算法求解稀疏系数,提出一种改进的人脸识别算法,从而达到高识别率与快速的识别效果。该算法根据测试样本的ELM实际输出向量判断是否为噪声图像,干净图像直接依据ELM输出向量进行分类,噪声图像采用子空间追踪算法结合SRC框架来分类。在扩展的Yale B和ORL人脸数据库上的实验结果表明,该算法不仅识别率高,且识别速度快。

基于多分类概率极限学习机的污水处理过程操作工况识别

污水处理过程复杂多变的运行工况以及系统脆弱的抗负荷冲击能力,常常导致污水处理厂运行目标难以实现,有效识别污水操作工况的变化对污水处理过程安全运行和操作优化十分重要。为增强未知样本分类可靠性,在概率极限学习机二分类基础上,将其扩展到多分类概率极限学习机方法 (extreme learning machine)。该方法首先采用极限学习机建立污水处理过程实时变量和污水处理过程工况编码之间的预报模型,然后根据类别的输出预报值分别建立每个类训练样本潜在函数的均值,确定所有类的条件概率密度函数,非线性最小二乘辨识条件概率密度函数参数,最后根据贝叶斯原理计算所有类的后验概率,由后验概率最大值判别样本所属类别。以辽宁某城市污水处理厂实时数据为背景进行验证,实验结果表明多分类概率极限学习机分类的可靠性和准确性优于极限学习机分类方法。