基于特征优选与改进极限学习机的锂电池SOC估计

为提高数据驱动方法预测荷电状态(state of charge,SOC)的效率与精度,提出一种基于特征优选与改进极限学习机的SOC估计方法。采用公开数据作为训练集,利用随机森林(random forest,RF)算法判定训练集各特征对SOC的影响程度,选择出最优训练样本,并对优选样本的合理性进行验证;利用极限学习机(extreme learning machine,ELM)对SOC进行预测,针对ELM在预测过程中随机产生的权值及阈值的不稳定性导致SOC估计精度不理想的问题,选取麻雀搜索算法(sparrow search algorithm,SSA)进行参数优化以提高估计精度;随后,通过BJDST工况仿真试验对SSA参数优化的有效性进行验证;在恒流放电与DST工况实验下,分别利用改进极限学习机(SSA-ELM)、ELM、支持向量机(support vector machine,SVM)与BP神经网络(back-propagation neural network,BPNN)对SOC进行预测,结果表明,SSA-ELM算法预测效果最优,预测误差基本保持在1.5%以内,可实现较高精度的SOC预测。

随机傅里叶特征空间中高斯核支持向量机模型选择

模型选择是支持向量机(support vector machines,SVMs)学习的关键问题.标准支持向量机学习本质上是求解一个凸二次优化问题,求解的时间复杂度为数据规模的立方级,而经典的模型选择方法往往需要多次训练支持向量机,这种模型选择方法对于中等规模的支持向量机学习计算代价已较高,更难以扩展到大规模支持向量机学习.基于高斯核函数的随机傅里叶特征近似,提出一种新的、高效的核支持向量机模型选择方法.首先,利用随机傅里叶特征映射,将无限维隐式特征空间嵌入到一个相对低维的显式随机特征空间,并推导在2个不同的特征空间中分别训练支持向量机所得到的模型的误差上界;然后,以模型误差上界为理论保证,提出随机特征空间中核支持向量机的模型选择方法,应用随机特征空间中的线性支持向量机来逼近核支持向量机,计算模型选择准则的近似值,从而评价所对应的核支持向量机的相对优劣;最后,在标杆数据集上验证所提出方法的可行性和高效性.实验结果表明,所提出的模型选择方法与标准交叉验证方法的测试精度基本相当,但可显著地提高核支持向量机模型选择效率.

基于分层极限学习机的轴承故障诊断方法

提出基于分层极限学习机结合迁移学习的轴承故障诊断方法,分析其在变工况下的故障诊断效果。应用短时傅里叶变换方法生成振动信号时频图,并提取不变矩特征、灰度差分统计特征,区分不同故障时频图的形态和纹理特征。在变工况下使用动态分布自适应方法,循环迭代得到最优迁移学习参数,以减小源域和目标域的MMD距离。然后使用分层极限学习机,对迁移后的样本数据进行故障分类。结果表明,所设计的迁移学习方法具有精度高、速度快的优点,在变工况下动态分布自适应迁移学习方法的故障诊断结果优于SVM等非迁移学习的机器学习方法,分层极限学习机作为故障分类器优于KNN、BP等分类器的效果,同时基于时频图的特征提取方法改善了源域和目标域间的可迁移性。

基于随机森林与改进极限学习机的PM2.5浓度模型

由于PM2.5浓度预测中的影响因素过于复杂,影响因素的高维性与非线性对预测结果有着很大的干扰,容易产生PM2.5浓度预测误差高和模型泛化能力差等问题。针对上述缺陷,可通过一种基于随机森林-粒子群优化-极限学习机(RF-PSO-ELM)的PM2.5浓度预测模型解决。该模型首先使用随机森林算法对影响因素进行特征选择,选择出对于PM2.5浓度重要性高的因素构成特征;再利用提取得到的特征作为PSO-ELM算法的输入;最后对上海市的PM2.5浓度做出预测,从最终的实验数据中可以看出:该模型比支持向量机(SVM)、未优化的极限学习机(ELM)和反向神经网络(BPNN)等预测模型在预测精度和泛化能力方面有着显著的提高。

基于随机森林-遗传算法-极限学习机的非侵入式负荷识别方法

提高负荷识别准确率是实现非侵入式负荷监测的关键技术。针对现有模型识别准确率低、特征冗余度高、可分性较差的问题,提出一种基于随机森林(random forest,RF)和遗传算法优化极限学习机(genetic algorithm optimized extreme learning machine,GA-ELM)的负荷识别方法。首先,从稳态电流信号中提取时域和频域信息作为负荷特征;其次,为进一步减小特征集的冗余度并剔除可分性较差的特征,使用随机森林算法对特征进行优选,得到最优特征集;最后,使用遗传算法优化极限学习机的权值和偏置参数,建立负荷识别模型。利用所建立的模型对11个家用电器共16种负荷状态进行识别,实验结果表明,所提模型可以提高识别准确率,对家用负荷可以进行快速有效识别。

基于极限学习机的单木枝叶点云分类

[目的]在林业测量中,利用树木的三维激光点云数据提取其结构信息以及模型拟合三维重建较为普遍,而林木枝叶三维点云分割则是林木参数提取以及三维重建的前提。[方法]利用扫描的单木三维点云数据,提取了单木点云的空间特征、反射强度、RGB色彩特征等多维特征,为提高分类的效率,通过随机森林算法按照其特征重要程度排序,除去冗杂的特征,保留RGB色彩、反射强度、法向分布特征作为分割依据。采用极限学习机(Extreme Learning Machine,ELM)对训练样本进行学习,并对原始数据进行枝叶点云的分类识别试验,分类正确率达到98.99%。[结果]在同等试验条件下,分别采用BP(Back Propatation)神经网络、LVQ(Learning Vector Quantization)神经网络、决策树(Decision Tree)、朴素贝叶斯(Naïve Bayes Classifier,NBC)、支持向量机(Support Vector Machine,SVM)进行分类,分类,其正确率分别为94.30%、91.26%、96.95%、85.67%、98.16%。[结论]试验结果表明极限学习机的分类效果较好。

基于极限学习机的混合气体FTIR光谱定量分析

实验配置了若干组含有不同浓度的NO与NO2混合气体样品,并扫描其光谱.利用极限学习机(Extreme Learning Machine,ELM)建立了混合气体的定量分析模型,结合遗传算法对ELM输入层与隐含层间的连接权值及隐含层的阈值进行了优化,从而使得模型具有更好的稳定性和泛化性能.实验结果表明:利用ELM建立的数学模型可以快速、方便地定量分析混合气体中各气体组分的浓度.

基于特征采样引导和集成RFELM的道路高排放源识别模型

机动车排放的污染气体会对环境造成严重危害,其中尾气排放超标的车辆是主要污染来源,因此实现对道路高排放源的有效识别具有重要意义。针对尾气遥测数据,提出一种基于特征采样引导和集成随机傅里叶特征极限学习机(RFELM)的道路高排放源识别模型。首先对遥测数据进行多次随机采样,构建多组训练子集;然后对每组训练子集进行多次特征采样,并训练对应的子分类器,根据组内最优子分类器的输入特征更新特征采样的概率与特征权重;最后对所有子分类器的验证分数进行排序,筛选出一定比例的RFELM组成分类器集合,采用加权投票法预测数据的标签。实验结果表明,相比于RFELM和随机森林等算法,所提模型在真实的道路遥测数据上具有更好的识别效果,还有着更强的抗噪能力。

随机特征上一致中心调节的支持向量机

支持向量机(SVM)是最为流行的分类工具,但处理大规模的数据集时,需要大量的内存资源和训练时间,通常在大集群并行环境下才能实现。提出一种新的并行SVM算法,RF-CCASVM,可在有限计算资源上求解大规模SVM。通过随机傅里叶映射,应用低维显示特征映射一致近似高斯核对应的无限维隐式特征映射,从而用线性SVM一致近似高斯核SVM。提出一致中心调节的并行化方法。具体地,将数据集划分成若干子数据集,多个进程并行地在各自的子数据集上独立训练SVM。当各个子数据集上的最优超平面即将求出时,用由各个子集上获得的一致中心解取代当前解,继续在各子集上训练直到一致中心解在各个子集上达到最优。标准数据集的对比实验验证了RF-CCASVM的正确性和有效性。

采用核极限学习机的短期需水量预测模型

为满足给水系统日常管理对短期需水量预测时效的需求,建立了所需训练时间短的核极限学习机模型(kernel-based extreme learning machine,KELM);从提升预测精度的角度考虑,构造了以傅里叶级数为理论依据的残差修正模块(Fourier series,FS),利用该模块对需水量初始预测值与观测值之间的差值进行建模,完成对初始预测值的残差修正,将该模块叠加于KELM模型上形成了组合预测模型(KELM+FS)。通过实际数据对模型进行性能测试,结果表明:KELM模型能够与人工神经网络模型、支持向量回归模型产生相似的预测精度,但预测时间仅为二者平均值的5%左右;组合模型KELM+FS在未显著增加预测时间的前提下,比KELM模型相对预测精度提升了12%左右。在用于短期需水量预测时,无论单一模型KELM还是组合模型KELM+FS都能达到有效提升预测效率的目的。

基于EFAST的在线极限学习机节点剪枝方法

针对在线极限学习机(OS-ELM)的隐藏层网络结构优化问题,设计了一种能自适应调整网络结构的在线极限学习方法(FOS-ELM)。该方法首先利用扩展的傅里叶振幅敏感度测试(EFAST),对OS-ELM中的各个隐藏层节点敏感度进行分析,再通过移除低敏感的隐藏层节点,从而达到对OS-ELM的网络结构进行优化的目的。从实验结果中分析,相比标准的OS-ELM,CEOS-ELM和HOS-ELM,在保证泛化精度的条件下,通过本文训练方法所需的隐藏层节点数均少于这3种方法。

小波包变换和极限学习机相融合的脑电信号识别方法

为了提高脑电信的识别效果,提出一种小波包变换和极限学习机相融合的脑电信号识别方法.采用傅里叶变换对采集的脑电数据进行去噪处理,用小波包变换方法提取小波节律能量均值和小波包能量熵作为特征量,并用极限学习机进行分类.仿真实验结果表明,极限学习机分类速度快、泛化性能好,相对于其他脑电信号识别方法,能有效地提高脑电信号识别的正确率.

基于机器学习的TCP拥塞控制算法识别研究

准确识别服务器端采用的拥塞控制算法对于预防和缓解TCP网络拥塞具有重要意义,但目前已有的对拥塞控制算法的识别方法均存在一定问题。在对当前主流拥塞控制算法进行特性分析的基础上,利用接收端采集的数据提取丢包时拥塞窗口下降比例、拥塞避免阶段窗口增长函数、快速恢复阶段窗口增长函数等特征。为提高识别效率和准确率,提出一种极限学习机和随机森林相结合的算法,对服务器端的拥塞控制算法进行识别。与多种机器学习方法对比研究的结果表明,基于所构造的特征向量可实现对RENO和NEWRENO算法的识别,且所提识别新算法取得了比其它识别方法更优的识别效果。

基于气象特征挖掘与AdaBoost-MEA-ELM模型的绝缘子盐密预测

为及时掌握输电线路绝缘子污秽情况,提出了一种基于气象的绝缘子盐密预测方法。挖掘了与积污相关性更强的气象特征,通过随机森林评估了气象特征的重要程度,结合序列前向搜索确立了最佳气象特征子集。基于台州市自然积污测试数据,使用极限学习机(extreme learning machine,ELM)建立盐密预测基础模型,并使用思维进化算法(mind evolution algorithm,MEA)对其初始权值与阈值进行优化,通过自适应提升(adaptive boosting,AdaBoost)算法集成进一步提高模型精度。结果表明:AdaBoost-MEA-ELM模型盐密预测平均绝对误差为0.0032mg/cm2,相比原始ELM模型误差降低58.97%,优化效果显著;与其他模型对比验证了AdaBoost-MEA-ELM模型的性能以及3种算法结合的合理性;通过k折交叉验证获得了训练数据改变时模型误差的变化情况,进一步验证了模型的泛化性与稳定性。

NSST域改进ORB的泡沫流动特征提取及加药状态识别

针对浮选泡沫表面图像动态变化、光照影响、噪声干扰导致流动特征难于提取的问题,提出了一种在NSST域改进ORB的泡沫流动特征提取方法,并应用于浮选加药状态识别。对相邻两帧泡沫图像NSST分解,对多尺度高频子带先通过尺度相关系数去除噪声再分为多个内层和外层,在各内层通过方向模极大值检测提取兴趣点,然后在本层和上下层通过非极大值抑制提取特征点,采用多尺度BRIEF描述子对特征点描述,结合泡沫的运动趋势动态调整搜索的匹配区域,根据匹配结果计算泡沫流动特征。最后,构建行列自编码极限学习机对泡沫形态、尺寸分布特征和流动特征进行融合,然后通过自适应随机森林对加药状态分类识别。实验结果表明,改进的ORB受噪声和光照影响小,流动特征检测精度和效率较现有方法有较大提高,能准确地表征不同加药状态下泡沫表面的流动特性,加药状态的平均识别精度达97.85%,较现有文献方法有较大提升,为后续的加药量优化控制奠定基础。

一种基于CNN与FFT‑ELM的输电线路故障识别与定位方法

及时、准确地检测输电线路故障类型与位置是提高电力系统可靠性最重要的问题之一,为此提出一种基于卷积神经网络(convolutional neural networks,CNN)与基于快速傅里叶变换(fast Fourier transform,FFT)的极限学习机(extreme learning machine,ELM)分类模型并行的输电线路故障识别及定位方法。首先,以故障电压时序图作为输入,构建CNN;然后,利用FFT将时域故障电压数据分解,提取各频段的电压峰值与相角作为故障特征样本;接着,以提取的故障特征样本集作为输入,构建ELM网络;最后,通过特征融合层将2个神经网络进行融合,输出故障类型和定位结果。实验结果表明,此方法对输电线路故障识别的准确率为99.95%、故障定位误差在500 m以内、平均误差为263.5 m,可靠性优于其他模型。

一种大规模支持向量机的高效求解算法

现有大规模支持向量机求解算法需要大量的内存资源和训练时间,通常在大集群并行环境下才能实现。提出了一种大规模支持向量机(SVM)的高效求解算法,以在个人PC机求解大规模SVM。它包括3个步骤:首先对大规模样本进行子采样来降低数据规模;然后应用随机傅里叶映射显式地构造随机特征空间,使得可在该随机特征空间中应用线性SVM来一致逼近高斯核SVM;最后给出线性SVM在多核环境下的并行实现方法以进一步提高求解效率。标准数据集的对比实验验证了该求解算法的可行性与高效性。

隐私保护的非线性联邦支持向量机研究

联邦学习为解决“数据孤岛”下的多方联合建模问题提出了新的思路。联邦支持向量机能够在数据不出本地的前提下实现跨设备的支持向量机建模,然而现有研究存在训练过程中隐私保护不足、缺乏针对非线性联邦支持向量机的研究等缺陷。针对以上问题,利用随机傅里叶特征方法和CKKS同态加密机制,提出了一种隐私保护的非线性联邦支持向量机训练(PPNLFedSVM)算法。首先,基于随机傅里叶特征方法在各参与方本地生成相同的高斯核近似映射函数,将各参与方的训练数据由低维空间显式映射至高维空间中;其次,基于CKKS密码体制的模型参数安全聚合算法,保障模型聚合过程中各参与方模型参数及其贡献的隐私性,并结合CKKS密码体制的特性对参数聚合过程进行针对性优化调整,以提高安全聚合算法的效率。针对安全性的理论分析和实验结果表明,PPNLFedSVM算法可以在不损失模型精度的前提下,保证参与方模型参数及其贡献在训练过程中的隐私性。

基于OS-EM-ELM的边缘侧串联电弧故障检测方法

电弧故障的高度随机性、复杂性使得其难以被准确识别。针对传统电弧识别算法对硬件算力要求高、实时性较低且一旦固定无法更改的问题,提出一种适用于边缘计算、多负载种类和多特征结合的误差最小化极限学习机(EM-ELM)电弧故障检测方法。通过快速傅里叶变换(FFT)、db4小波分解,提取周期均值差、脉宽百分比、间谐波因数及小波高频能量,作为边缘侧电弧故障检测算法的输入特征。在此基础上提出结合在线序列(OS)方法的OS-EM-ELM方法,运用现场运行数据对算法进行改进,提高适应性。实验结果表明,所提方法能有效地区分正常和电弧故障的波形,且适用于多种类型负载同时工作的复杂情况,计算量小,可实现在线训练,适应性强,应用成本低,更加符合电弧检测装置边缘计算的要求。

基于单类分类方法的道路高排放源识别算法

为了提高对道路高排放源的识别效率,降低其造成的大气污染,提出了一种基于随机傅里叶特征和非常稀疏映射的单类分类(OCC)宽度学习系统(BLS)的道路高排放源识别方法,即OCC-FS-BLS。首先,将道路高排放源数据进行非线性的随机傅里叶特征映射得到BLS的特征节点,再通过非常稀疏随机映射生成增强节点,拼接所有节点作为BLS输出层的输入;然后,通过岭回归求解改进BLS的输出权重;最后,根据OCC-BLS构建单类分类算法的策略,实现OCC-FS-BLS算法。实验结果表明:OC-FS-BLS在高排放源识别任务中相比OCC-BLS等其他模型表现出更好的识别性能。