基于深层卷积随机配置网络的电熔镁炉工况识别方法研究

为解决电熔镁炉工况识别模型泛化能力和可解释性弱的缺陷,提出一种基于深层卷积随机配置网络(Deep convolutional stochastic configuration networks,DCSCN)的可解释性电熔镁炉异常工况识别方法.首先,基于监督学习机制生成具有物理含义的高斯差分卷积核,采用增量式方法构建深层卷积神经网络(Deep convolutional neural network,DCNN),确保识别误差逐级收敛,避免反向传播算法迭代寻优卷积核参数的过程.定义通道特征图独立系数获取电熔镁炉特征类激活映射图的可视化结果,定义可解释性可信度评测指标,自适应调节深层卷积随机配置网络层级,对不可信样本进行再认知以获取最优工况识别结果.实验结果表明,所提方法较其他方法具有更优的识别精度和可解释性.

随机配置网络研究进展

随机配置网络(stochastic configuration network,SCN)是一种新兴的增量式神经网络模型,与其他随机化神经网络方法不同,它能够通过监督机制进行隐含层节点参数配置,保证了模型的快速收敛性能.因其具有学习效率高、人为干预程度低和泛化能力强等优点,自2017年提出以来,SCN吸引了大量国内外学者的研究兴趣,得到了快速的推广和发展.从SCN的基础理论、典型算法变体、应用领域以及未来研究方向等方面切入,全面地概述SCN研究进展.首先,从理论的角度分析SCN的算法原理、通用逼近性能及其优点;其次,重点研究深度SCN、二维SCN、鲁棒SCN、集成SCN、分布式并行SCN、正则化SCN等典型变体;随后介绍SCN在硬件实现、计算机视觉、医学数据分析、故障检测与诊断、系统建模预测等不同领域的应用进展;最后指出SCN在卷积神经网络架构、半监督学习、无监督学习、多视图学习、模糊神经网络、循环神经网络等研究方向的发展潜力.

基于M-estimator函数的加权深度随机配置网络

深度随机配置网络(Deep Stochastic Configuration Network,DSCN)是一种增量式随机化学习模型,具有人为干预程度低、学习效率高和泛化能力强等优点.但是,面向噪声数据回归与分析时,传统的DSCN易受到异常值影响,从而降低了模型的泛化性.因此,为提高噪声数据回归的精度和鲁棒性,提出了基于M-estimator函数的加权深度随机配置网络(Weighted Deep Stochastic Configuration Networks,WDSCN).首先,选取Huber和Bisquare 2个常用的M-estimator函数计算样本权重,利用加权最小二乘法和L2正则化策略替代最小二乘来更新WDSCN输出权重,以降低异常值对WDSCN的负面影响;其次,为提高WDSCN模型表征能力,设计了一种随机配置稀疏自编码器(Stochastic Configuration Sparse Autoencoder,SC-SAE),SC-SAE基于DSCN其独有的监督机制随机分配输入参数,采用基于L1正则化的目标函数,并利用交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)计算SC-SAE输出权重;然后,为获取有效的特征表示,利用SC-SAE生成特征的随机性和多样性,采用多个SC-SAE进行特征学习并融合,用于WDSCN模型训练;最后,在真实数据集上的实验结果表明,WDSCN-Huber、WDSCN-Bisquare相比于DSCN、SCN以及RSC-KDE、RSC-Huber、RSC-IQR、RSCN-KDE、WBLS-KDE和RBLS-Huber等加权模型具有更高的泛化性能和回归精度.

融合聚类及随机配置网络的短期光伏功率预测

为了降低天气因素对光伏发电功率的输出值预测精度的影响,从聚类分析和信号分解两方面入手,提出了一种融合聚类算法(KDGMM),改进的变分模态分解(VMD)与随机配置网络(SCN)的预测模型。首先通过KDGMM聚类将气象数据划分成晴天、阴天和雨天,针对阴天难以准确预测的问题,采用灰色关联度分析(GRA)选择相似日,其次引入莱维飞行北方苍鹰优化算法(LNGO)优化VMD得到最优参数,从而降低阴天光伏功率的非平稳性。最后构建SCN预测模型对光伏功率数据进行预测,输出其预测结果。通过实验分析,所提方法的均方根误差(RMSE)和平均绝对百分比误差(MAPE)仅为1.44和1.3%,拟合优度指标R^(2)高达0.99,与其他预测方法相比,本文所提方法有较高的预测精度。

遗忘因子随机配置网络驱动的自适应切换学习模型

随机配置网络(SCNs)具有通用逼近能力和快速建模特性,已成功应用于大数据分析。在SCN的基础上,块增量随机配置网络(BSC)使用块增量机制提高训练速度,但增加了模型结构的复杂程度。为了解决上述难题,提出遗忘因子随机配置网络(FSCN-Ⅰ和FSCN-Ⅱ)驱动的自适应切换学习模型(ASLM)。该模型利用正态分布配置隐含层节点的输入参数。FSCN-Ⅰ通过误差值和遗忘因子调整节点块的尺寸,提高训练速度。FSCN-Ⅱ引入节点移除机制降低模型结构的复杂程度。ASLM由FSCN-Ⅰ和FSCN-Ⅱ构成,两者根据自适应变化的边界随机切换以提高模型的训练速度,并在FSCN-Ⅰ的基础上降低模型结构的复杂程度。最后,通过基础数据集和工业实例,表明该方法的有效性。

基于功率谱密度与随机配置网络的低压串联电弧故障检测

低压串联电弧电流为非平稳信号,故障特征区分度低且具有随机性,给电弧故障特征提取和准确检测带来困难,提出了基于功率谱密度与随机配置网络的低压串联电弧故障检测方法。首先,搭建了串联电弧故障发生平台,采集不同负载类型的电流数据,构建数据集。其次,采用功率谱密度对电流信号执行随机信号分析,实现对电流信号的定量化频域特征描述,增强故障电流与正常电流特征的区分度。然后,采用随机配置网络构建串联电弧故障检测模型,将功率谱密度特征用于随机配置网络的自适应训练学习,提升网络训练效率和模型故障检测能力。在本文构建的电流数据集上,串联电弧故障检测的平均准确率达到96.1567%,证明了方法的有效性。

基于混沌反馈乌燕鸥优化算法的随机配置网络参数优化

为了解决随机配置网络(stochastic configuration network,SCN)隐含层参数的选择与分配会影响其预测精度的问题,提出一种基于混沌反馈乌燕鸥优化算法(chaotic feedback sooty tern optimization algorithm,CFSTOA)的SCN参数优化方法。首先,利用Tent映射、线性因子调节策略、劣势种群反馈原则来改进乌燕鸥优化算法(sooty tern optimization algorithm,STOA),以增强算法的局部搜索能力,得到一种具备更快收敛速度和更高收敛精度的CFSTOA;然后,将CFSTOA用于优化SCN的正则化参数和权重偏差的尺度因子,从而得到最优的隐含层参数;最后,利用10个基准函数和4个标准回归数据集分别对CFSTOA的性能进行了测试。结果表明,CFSTOA具有更快的收敛速度且不易陷入局部最优,可以提高SCN算法的预测精度和训练速度。

基于随机配置网络的服装分类方法

为了提高服装图像分类的精度,提出了一种基于特征提取的正余弦算法优化SCN (Stochastic Con-figuration Networks)的服装图像分类预测模型。通过引入多通道并行的卷积、池化、批量标准化操作,提高了模型的特征提取能力。将正余弦算法引入到SCN的节点搜索过程,优化了SCN节点生成规则,进一步提高了SCN的准确性。结果显示,改进后的SCN算法能够寻找到更优的节点,图像分类准确率达到了94.05%,验证了本文模型的稳定性和可靠性。

随机配置网络在短时电力负荷曲线预测中的应用

传统梯度类神经网络负荷预测模型在面对高维度、大规模负荷数据集时,存在模型构建复杂、训练时间长等问题.为提高负荷曲线预测模型训练的时效性和预测准确性,提出了一种基于随机配置网络的短时电力负荷曲线预测方法.首先针对弱局部负荷波动对预测模型的影响,利用Savitzky-Golay滤波器对负荷时序平滑进行处理,将时序滤波处理后的负荷序列、节假日、气象等数据作为预测模型的输入组成部分.在此基础上,发挥随机配置网络模型的随机增量学习优势,完成负荷曲线预测模型的训练.利用某电厂采集的短时负荷数据及其影响因素数据对模型的预测效果进行验证,仿真结果表明,随机配置网络预测模型相较于深度神经网络模型在模型训练的时间效率方面更具优势,预测的效果基本与深度神经网络模型接近.

基于改进流形正则化随机配置网络的软测量

为提高复杂工业过程中某些关键参数的预测精度,提出一种基于改进流形正则化随机配置网络(improved manifold regularization stochastic configuration networks,IMRSCNs)的软测量建模方法。该方法首先采用基于迁移学习的特征提取思路,集成最大方差、协方差分布差异和最大均值差异获取特征变换矩阵,将训练集和测试集的特征信息投影到一个公共子空间。进一步将子空间的训练集数据输入带有流形正则化的随机配置网络中,训练网络模型,以保持数据在原特征空间的几何结构。通过多组实验结果表明,相较于原始随机配置网络(stochastic configuration networks,SCNs),所提的改进流形正则化SCNs模型拥有更高的预测精度和更好的泛化性能。

基于随机配置网络的井下供给风量建模

主通风机切换过程中,取压风量测量作为监测井下供给风量的主要手段,是矿井主扇通风系统安全、稳定与经济运行的重要保障.然而,由于取压孔极易出现堵塞现象,需要频繁维护,导致无法实时测量井下供给风量,难以实现主通风机切换过程的闭环优化控制.同时,随着隐含层节点数的增加,基于随机配置网络(Stochastic configuration network,SCN)的估计模型存在过拟合和泛化能力差的缺点.为了解决上述问题,结合正则化(Regularization,R)技术,本文提出一种新型的改进SCN算法,即RSC算法,用于井下供给风量的建模.基准回归分析和工业实验表明:与SCN方法相比,建立的RSC模型具有较高的模型精度和较好的泛化性能.

融合改进符号动态熵和随机配置网络的水电机组轴系故障诊断方法

现有水电机组轴系故障诊断研究主要建立在单一传感器振动信号数据的基础上,存在故障信息缺失和传感器测点选择困难等问题。为此,提出了一种基于精细复合多元多尺度符号动态熵(RCMMSDE)和随机配置网络(SCN)相结合的水电机组轴系故障诊断方法。首先,将精细复合技术引入RCMMSDE模型中,改进了传统多元多尺度熵粗粒化不足的问题。然后,通过提取水电机组不同传感器振动信号的RCMMSDE值作为故障特征。最终,将故障特征输入SCN网络实现水电机组轴系故障的准确识别。仿真结果表明,RCMMSDE-SCN模型在两个不同数据集上分别取得了97.58%和99.17%的诊断率,验证了所提模型具有良好的诊断性能。同时,对比不同诊断模型在多元传感器信号和单一传感器信号两种不同情景下的诊断情况,表明融合多元振动信号可以有效改善水电机组轴系故障诊断模型的识别性能。本研究为融合水电机组多元传感器振动信号故障诊断提供了一种新的方法,具有良好的借鉴价值。

基于随机配置网络的机载电子吊舱多工况热模型

机载电子吊舱是搭载多功能机载电子设备的主要平台,能够显著提升战机性能。然而,不断增加的电子设备功率和高度低气压力飞行环境会造成吊舱内恶劣的热环境,严重影响电子设备的可靠性。因此,十分有必要建立准确的电子吊舱热模型,用于预测不同飞行工况下的电子设备热响应。综合热网络分析思想和随机网络算法思想,提出一种基于随机配置网络的热模型建立方法,并通过采用冲压空气冷却系统的电子吊舱实验数据加以验证。为了建立准确的舱内温度响应模型,通过传热机制将高温贮存、高温工作、低温贮存、低温故障和低温工作工况下的实验数据分为3组并分别用于建立设备贮存热模型、设备工作热模型和综合热模型,利用热网络分析获取随机配置网络的有效输入,采用四折交叉验证和灰度图分析综合确定了3个热模型的超参数。建模结果表明:3个热模型的范围序列可统一为[1~40],最大隐含层节点数可分别设为6、9、11,设备温度拟合效果较好,仅在边界条件约束下进行多工况全过程的电子设备温度预测,预测误差在3.512℃内。总体看来,该热建模方法从数据挖掘的角度较为简单、准确、快速地描述了电子设备热关系,可用于开展预期飞行环境下的机载电子吊舱温度预测,用于评估热管理系统的性能。

一种随机配置网络的模型与数据混合并行学习方法

随机配置网络(Stochastic configuration networks,SCNs)在增量构建过程引入监督机制来分配隐含层参数以确保其无限逼近特性,具有易于实现、收敛速度快、泛化性能好等优点.然而,随着数据量的不断扩大,SCNs的建模任务面临一定的挑战性.为了提高神经网络算法在大数据建模中的综合性能,本文提出了一种混合并行随机配置网络(Hybrid parallel stochastic configuration networks,HPSCNs)架构,即:模型与数据混合并行的增量学习方法.所提方法由不同构建方式的左右两个SCNs模型组成,以快速准确地确定最佳隐含层节点,其中左侧采用点增量网络(PSCN),右侧采用块增量网络(BSCN);同时每个模型建立样本数据的动态分块方法,从而加快候选“节点池”的建立、降低计算量.所提方法首先通过大规模基准数据集进行了对比实验,然后应用在一个实际工业案例上,表明其有效性.

基于随机配置网络的海水养殖氨氮浓度软测量模型

氨氮浓度是水产养殖过程的重要监控指标,水中氨氮浓度过高,会产生较强的神经毒素,导致水生物大面积死亡,因此,需实时准确监测水产养殖过程中水的氨氮浓度。然而,由于影响海水水质因素较多,各因素之间关系复杂、相互影响,目前未能实现海水氨氮浓度的实时监测。通过分析海水养殖水体中氨氮的生成和硝化过程,选取水体中与氨氮浓度相关且易测的水质参数(温度、电导率、p H值、溶解氧质量浓度)为辅助变量,采用收敛速度快且泛化能力较强的随机配置网络建立了氨氮浓度软测量模型。为验证方法的有效性,设计了实验室海水养殖循环水系统,通过试验系统的实测数据,将该方法与其他几种神经网络建模方法进行了比较。结果表明,氨氮浓度随机配置网络模型具有更高的精度和更快的运行速度。基于模型设计了水产养殖水质监控系统,并将此方法嵌入上位机Win CC软件,实现了氨氮浓度的在线监测。

基于正则化随机配置网络的球磨机工况识别

随机配置网络(Stochastic Configuration Network, SCN)在不等式约束监督机制下能够自动快速构建万能逼近器,在大数据建模领域具有潜在优势。为了增强模型的准确性和稳定性,在经典随机配置网络基础上提出带有L2范数正则化的随机配置网络,改善输出权重最小二乘解析解的代数属性,避免模型过拟合的结构风险。针对大范围非平稳操作工况下球磨机负荷运行状态识别问题,使用正则化随机配置网络构建球磨机负荷运行工况识别模型。球磨机实验结果表明,所提出的正则项SCN模型在识别准确性和模型性能稳定性方面相对经典SCN和RVFL模型,具有相对优势。

基于偏最小二乘随机配置网络的污水水质指标估计

准确、可靠地测量污水处理厂的出水水质指标是成功控制和优化污水处理厂的关键。由于现有的离线化验方法存在操作繁复、测量滞后的问题,难以实现水质的实时控制。为了提高估计的准确性和可靠性,提出了一种偏最小二乘的随机配置网络方法(PLS-SCN)。为了克服输入数据高维度和多重共线性导致的预测风险,将偏最小二乘(PLS)方法嵌入到随机配置网络(SCN)框架中,以代替经典的普通最小二乘(OLS)方法。PLSSCN方法从隐含层输出中提取影响水质指标的主要潜在变量,通过正交投影运算来增强泛化性能。某城市污水处理厂水质指标仿真结果表明,PLS-SCN网络具有良好的输入输出关系,性能优于传统SCN和PLS方法,能够快速、可靠地估计污水水质的质量。

基于鲁棒随机配置网络的赤铁矿磨矿过程数据驱动粒度估计（英文）

粒度作为赤铁矿磨矿过程的关键生产质量指标,针对其难以实时检测的问题,本文在随机配置网络(Stochastic configuration network,SCN)的基础上,证明了一种基于加权最小二乘的鲁棒SCN(Robust SCN,RSCN)的万能逼近特性,并分别采用Huber损失函数的M估计、四分位距(Inter quartile range, IQR)的M估计和非参数核密度估计(Nonparametric kernel density estimation, NKDE)三个函数计算惩罚权值,从而提出三种RSCN算法,在UCI标准数据集上的实验研究表明了所提算法的有效性。基于RSCN算法建立了数据驱动的赤铁矿磨矿过程粒度模型,取得了良好的估计效果。

集成随机配置网络在养殖水质监测中的应用

为解决集约化水产养殖过程水体氨氮浓度无法实时检测的问题,提出基于Bagging集成随机配置网络(stochastic configuration network,SCN)的建模方法,利用养殖过程采集的相关水质参数对养殖水体氨氮浓度进行软测量。该方法首先采用Bootstrap方式生成多个不同的训练子集,然后并行训练多个SCN模型,最后将各个SCN模型的输出结果取均值作为Bagging-SCN模型的输出。为验证方法的有效性,分别通过UCI标准数据库中的机翼自噪声数据集和集约化海水养殖过程数据集进行了仿真试验,将该研究提出的Bagging-SCN模型与单一SCN模型、以及目前应用最广泛的随机权向量函数连接网络(random vector functional-link net,RVFL)模型、Bagging-RVFL模型的测量效果进行了比较。试验结果表明:该文所提模型对机翼自噪声数据集中缩放声压级测量的均方根误差、平均绝对百分比误差和最大绝对误差分别为4.225 dB、2.599%和17.500 dB;在对集约化海水养殖过程中水体氨氮浓度测量的均方根误差、平均绝对百分比误差和最大绝对误差分别为0.0628 mg/L、27.851 mg/L和0.189 mg/L均优于其他测量模型;进一步说明该模型具有较高的测量精度和稳定性,更适合应用于集约化水产养殖水质监测过程。

基于主成分分析和随机配置网络的矿井突水水源判别方法研究

为了快速有效地判别矿井突水水源,选取6种水化学成分指标作为矿井突水水源判别的指标,结合主成分分析(Principal component analysis,PCA)和随机配置网络(Stochastic configuration network,SCN)方法,提出了一种基于PCA-SCN突水水源快速判别模型。并以赵各庄矿为例,选取实际矿区24组不同含水层水样、6组待判水样,对该方法进行了检验和应用。实验结果表明,与传统的SCN模型结果对比,利用PCA-SCN模型能有效消除数据集中冗余的判别指标,提高数据集的可分性,进而提高SCN模型的建模速度和判别准确率。