高炉透气性指数的核超限学习机预测模型

高炉透气性指数反映了高炉内煤气流运动受到阻碍的大小,是操作人员判断高炉运行状态的重要依据.本文针对超限学习机的缺点,提出了基于核超限学习机的高炉透气性指数预测模型.首先选取了适当的高炉参数作为模型的输入.其次采用小波变换对生产数据降噪处理.然后建立基于核超限学习机的高炉透气性指数预测模型.在建模过程中,探索了不同的核函数对模型性能的影响,并对相关参数寻优.最后进行仿真实验,同其他算法对比.实验结果表明,相比于传统算法,基于核超限学习机的高炉透气性指数预测模型训练速度更快,预测精度更高,预测结果更稳定.

改进粒子群优化超限学习机的调制信号识别

针对现有算法在信噪比较小条件下对调制信号识别精度较差的问题,提出一种基于改进粒子群优化超限学习机的调制信号识别算法。以调制信号的高阶累积量为基础构建4种特征参数,并根据多进制相移键控(Multiple Phase Shift Keying,MPSK)信号的相位特性引入归一化瞬时相位平均值和递归归一化瞬时相位平均值特征两个特征参数,构建调制信号的6种特征参数的数据集。利用粒子群优化(Particle Swarm Optimization,PSO)算法优化超限学习机(Extreme Learning Machine,ELM)算法的神经网络结构,动态调整PSO算法中的惯性权重,以提升算法的识别性能。采用所提算法对7种调制信号进行识别,实验结果表明,当信噪比大于2 dB时,所提算法对7种调制信号的识别正确率均达到100%。与相关算法相比,所提算法的识别效果较佳且更具有稳定性。

基于Spark的极限学习机算法并行化研究

极限学习机算法虽然训练速度较快,但包含了大量矩阵运算,因此其在面对大数据量时,处理效率依然缓慢。在充分研究Spark分布式数据集并行计算机制的基础上,设计了核心环节矩阵乘法的并行计算方案,并对基于Spark的极限学习机并行化算法进行了设计与实现。为方便性能比较,同时实现了基于Hadoop MapReduce的极限学习机并行化算法。实验结果表明,基于Spark的极限学习机并行化算法相比于Hadoop MapReduce版本的运行时间明显缩短,而且若处理数据量越大,Spark在效率方面的优势就越明显。

基于PCA降维的分层超限学习机手势识别方法

针对原始超限学习机在手势识别应用中欠缺良好的泛化性能和鲁棒性等问题,运用主成分分析(PCA)算法降低手势数据维数简化数据结构,并引入以超限学习机为基础,根据多层感知器理论拓展的分层超限学习机作为分类器应用于手势识别。PCA算法提取手势图像的主要特征,通过分层超限学习机的稀疏自动编码和分层训练,获得原始输入的多层稀疏表达,使自动编码后的输出近似原始输入,最大限度地减少重构误差,提高特征分类的精度。实验表明,与原始的超限学习机相比,具有更好的泛化性能,更快的识别速率以及更高的识别精度,提高了整体的学习性能。

面向不平衡数据流的自适应加权在线超限学习机算法

一般的在线学习算法对不平衡数据流的分类识别会遇到较大困难,特别是当数据流发生概念漂移时,对其进行分类会变得更困难.文中提出面向不平衡数据流的自适应加权在线超限学习机算法,自动调整实时到达的训练样本的惩罚参数,达到在线学习不平衡数据流的目的.文中算法可以适用于不同偏斜程度的静态数据流的在线学习和发生概念漂移时数据流的在线学习.理论分析和在多个真实数据流上的实验表明文中算法的正确性和有效性.

不平衡超限学习机的全局惩罚参数选择方法

超限学习机在对不平衡数据集进行学习和分类时,正类样本容易被错分。而加权超限学习机只考虑了数据集类之间的不平衡,忽视了样本类内的不平衡的现象。本文阐述了超限学习机在不平衡数据集上分类效果欠佳的原因,提出了根据数据集选取惩罚参数的方法,采用将类间的惩罚参数与类内的惩罚参数相结合的方法,形成全局惩罚参数,即将类惩罚参数进一步精确到样本个体惩罚参数。结果表明:这种方法实现起来简单方便,与其他类型的超限学习机相比较,这种全局惩罚参数的选择方法在提高分类准确率方面能够取得更好的效果。

基于超限学习机的95598故障工单预测模型研究

对95598客服中心接到的工单数据进行分析,结合往年同期温度、降雨量、极端天气、节假日等外部因素,利用超限学习机训练得到95898故障工单预测模型,从而可以提前布置抢修队伍、抢修车辆、抢修物资的合理化安排,从而综合提升95598工单精准服务。测试实验表明,该预测模型的预测精度能达到85%以上。利用该模型,能够有效地实现故障报修服务的事前管控。

基于核超限学习机群组算法的交通拥堵预测

城市交通拥堵预测是智能交通系统研究的重要内容之一。交通运行状态具有高度不确定性和复杂性,目前已经有多种基于神经网络的预测技术被引入交通预测领域中。然而,传统的神经网络具有训练时间长、易陷入过拟合和局部最优等缺点,这严重阻碍了神经网络在交通预测领域的大规模应用。超限学习机是一种新型的单隐层前馈神经网络,具有泛化能力强、训练速度快、产生唯一最优解等诸多优点。基于超限学习机算法,文中提出了核超限学习机群组算法,此算法由多个超限学习机子模型组成,每个子模型只负责某一类样本的学习,该算法使每一类样本均能达到全局最优,整体可以获得比超限学习机更高的预测准确率。实验结果表明,单进程的核超限学习机群组算法比超限学习机的训练时间稍短,但前者的准确率较后者提高了8%;相比其他流行的机器学习算法,核超限学习机群组算法的训练速度快、预测准确度高;经过核超限学习机群组算法预测的结果与实际情况较为符合,可靠性高,具有很强的实用价值。

高炉透气性指数的改进多层超限学习机预测模型

高炉透气性指数是高炉操作者衡量高炉顺行状态的指标之一.针对传统透气性指数测量模型的缺陷,本文提出了一种基于改进的多层超限学习机(multi-layer extreme learning machine,ML–ELM)的高炉透气性指数预测模型.首先分析影响高炉透气性指数的相关操作参数,考虑到高炉生产数据含有大量噪声,运用小波去噪方法消除数据的噪声干扰.然后建立高炉透气性指数预测模型.在建模过程中,将偏最小二乘(partial least square,PLS)与多层超限学习机算法结合,消除多层超限学习机最后一层隐藏层的多重共线性,提高了模型预测精度.并且所提出的改进算法称为PLS–ML–ELM.最后使用现场生产数据对该模型训练和测试,预测结果表明所提出模型能够快速、精确地预测高炉透气性指数,并且为高炉的后续操作提供有效的决策与支持.

基于在线序列超限学习机和主成分分析的蒸汽冷却型燃料电池系统快速故障诊断方法

为解决蒸汽冷却型燃料电池系统的故障诊断问题,该文提出基于在线序列超限学习机和主成分分析的蒸汽冷却型燃料电池系统快速故障诊断新方法。新方法采用主成分分析过滤冗余信息,得到能反映蒸汽冷却型燃料电池系统状态的故障特征向量;使用在线序列超限学习机对故障特征向量进行分类,能有效提高模型诊断正确率并降低运算时间。实例分析表明:新方法可快速识别膜干故障、氢气泄漏故障和正常状态共三种健康状态。算法的诊断正确率为99.67%,运算时间为0.296 9s。新方法的诊断正确率比SVM和BPNN分别高出14.34%和9.34%,在线序列超限学习机的运算时间仅为SVM和BPNN的1/1 011和1/132。因此,该文所提方法适用于大数据量样本和多数据维度下的蒸汽冷却型燃料电池系统在线故障诊断。

基于核超限学习机和局部加权回归散点平滑法的PEMFC剩余使用寿命预测方法

为解决质子交换膜燃料电池(protonexchange membranefuelcell,PEMFC)剩余使用寿命预测(remaining usefullife, RUL)问题,提出基于核超限学习机(kernel extreme learning machine,KELM)和局部加权回归散点平滑法(locally weighted scatterplot smoothing,LOESS)的PEMFC剩余使用寿命预测新方法。该方法分别采用等间隔取样和局部加权回归散点平滑法实现数据重构和数据的平滑处理。不仅可以保留原始数据的主要趋势,而且能有效地去除噪声和尖峰。利用核超限学习机对测试数据实现剩余使用寿命预测,能在保证预测精度的情况下大幅降低计算复杂度。1154h的PEMFC老化实验分析表明:该方法的预测准确率为99.23%,运算时间为0.0146s,平均绝对误差和均方误差分别为0.0028和0.0037。对比分析表明:该方法的预测准确率比BP神经网络高28.46%;运算时间、相对误差、平均绝对误差和均方误差都远远小于BP神经网络。因此,该方法可快速准确地预测PEMFC剩余使用寿命。

基于M-estimator与可变遗忘因子的在线贯序超限学习机

该文针对时变离群值环境下的在线学习问题,提出一种基于M-estimator与可变遗忘因子的在线贯序超限学习机算法(VFF-M-OSELM)。VFF-M-OSELM以在线贯序超限学习机模型为基础,通过引入一种更加鲁棒的M-estimator代价函数来替代传统的最小二乘代价函数,以提高模型对于离群值的在线处理能力和鲁棒性。同时VFF-M-OSELM通过融合使用一种新的可变遗忘因子方法进一步增强了其在时变环境下的动态跟踪能力和自适应性。仿真实例验证了所提算法的有效性。

基于核超限学习机的中文文本情感分类

针对传统情感分类算法存在的参数学习困难及分类性能较低等问题,提出了一种基于核超限学习机的中文文本情感分类方法.首先通过信息增益对训练数据进行特征选择以降低输入维数,然后通过构建基于小波核超限学习机的分类器实现对中文文本的情感分类.实验结果表明,新方法参数学习容易,且其文本情感分类性能通常优于支持向量机和朴素贝叶斯.

基于一维卷积特征与手工特征融合的集成超限学习机心跳分类方法

融合手工特征和深度特征,提出了一种集成超限学习机心跳分类方法.手工提取的特征明确地表征了心电信号的特定特性,如相邻心跳时间间隔反映了心跳信号的时域特性,小波系数反映了心跳信号的时频特性.同时设计了一维卷积神经网络对心跳信号特征进行自动提取.基于超限学习机(Extreme leaning machine,ELM),将上述特征融合进行心跳分类.由于ELM初始参数的随机给定可能导致其性能不稳定,进一步提出了一种基于袋装(Bagging)策略的多个ELM集成方法,使分类结果更加稳定且模型泛化能力更强.利用麻省理工心律失常公开数据集对所提方法进行了验证,分类准确率达到了99.02%,实验结果也表明基于融合特征的分类准确率高于基于单独特征的分类准确率.

抗离群值的鲁棒正则化贯序超限学习机

针对离群值环境下的在线学习问题,提出一种鲁棒正则化贯序超限学习机(Robust regularized online sequential extreme learning machine,RR-OSELM)。RR-OSELM以增量学习新样本的方式实现在线学习,并在学习过程中基于样本的先验误差进行逆向加权计算以降低学习模型对于离群值的敏感性;同时RR-OSELM通过融合使用Tikhonov正则化技术进一步增强了其在实际应用中的稳定性。实验结果表明,RR-OSELM具有较同类算法更好的鲁棒性和实用性,对于离群值环境下的在线建模与预测问题是积极有效的。

基于改进多层核超限学习机的模拟电路故障诊断

为兼顾模拟电路多故障诊断的实用性和诊断精度,基于仿真诊断模型的测试性应用框架,结合深度学习与核方法的优势,提出一种多层单纯形优化核超限学习机(ML-SOKELM)方法。将有效初选后的数据集输入多层核超限学习机逐层提取故障特征并进行诊断;训练过程中,将各层核参数向量视为待优化变量,运用单纯形法对其进行联合优化。实验结果表明:与常见的深度学习方法相比,ML-SOKELM方法对主观经验依赖性更低,在训练时间大大缩短的同时,还能获得与之相当的准确率;与流行的核方法相比,ML-SOKELM方法在不同模糊度阈值下均能获得较高的诊断准确率。

面向不平衡数据集的一种改进的加权超限学习机分类算法

标准的加权超限学习机在训练不平衡数据集时,只对不同类之间赋予类权值而没有对个体的样本赋予不同的权值,忽视了样本个体的差异.针对这种情况,利用标准的超限学习机估算个体样本的权值,并与类权值结合,提出了一种改进的双重加权超限学习机分类算法,算法能很好地处理分类任务中各类训练数据分布不平衡的情形.实验结果表明,双重加权超限学习机分类算法与单重加权超限学习机、无权超限学习机相比较,在提高分类精度方面取得了较好的效果.

具有广义正则化与遗忘机制的在线贯序超限学习机

针对非平稳时间序列预测问题,提出一种具有广义正则化与遗忘机制的在线贯序超限学习机算法.该算法以增量学习新样本的方式实现在线学习,以遗忘旧的失效样本的方式增强对非平稳系统的动态跟踪能力,并通过引入一种广义的l2正则化使其具有持续的正则化功能,从而保证算法的持续稳定性.仿真实例表明,所提出算法具有较同类算法更好的稳定性和更小的预测误差,适用于具有动态变化特性的非平稳时间序列在线建模与预测.

二维分割贯序正则化超限学习机

针对大规模在线学习问题,提出一种二维分割贯序正则化超限学习机(BP-SRELM).BP-SRELM以在线贯序超限学习机为基础,结合分治策略的思想,从实例和特征两个维度对高维隐层输出矩阵进行分割,以降低问题求解的规模和计算复杂性,从而极大地提高对大规模学习问题的执行效率.同时,BP-SRELM通过融合使用Tikhonov正则化技术进一步增强其在实际应用中的稳定性和泛化能力.实验结果表明,所提出的BP-SRELM不仅具有更高的稳定性和预测精度,而且在学习速度上优势明显,适用于大规模数据流的在线学习与实时建模.

动态数据流分析的在线超限学习算法综述

动态数据流分析是一个具有广泛应用价值的研究课题,在线学习方法是其中的一种关键技术。在众多在线学习方法中,在线贯序超限学习机(Online Sequential Extreme Learning Machine,OSELM)是一种新颖且实用的在线学习算法,目前已在动态数据流分析中得到了成功应用。首先,介绍了OSELM的理论基础和算法执行过程;然后,以动态数据流分析为应用背景,对各种改进OSELM算法进行了分类综述,包括基于滑动窗口的OSELM、基于遗忘因子的OSELM、基于样本加权的OSELM以及其他方法,重点论述了各类算法的设计思路和实现策略,并对其优缺点进行了比较和分析;最后,探讨了值得进一步研究的问题。