基于BP-ELM算法的旋转设备复合故障诊断方法

电力和工业领域存在大量旋转设备,这些设备在运行过程中有时会出现多种故障同时发生的情况,即复合故障。复合故障由于不同故障的现象特征相互叠加干扰,较难准确地区分和识别同时发生的故障组成。因此,本文提出一种基于BP-ELM算法的复合故障的智能识别方法,以提升复合故障情况的识别准确率。本文以某电厂大型离心风机的真实数据为例,验证了该算法相较于传统的BP神经网络,能做到快速、准确地识别出复合故障中同时发生的不同故障,从而协助诊断工程师进行故障决策,辅助设备日常维护工作。

基于极限学习机的磷酸铁锂电池SOC估算研究

SOC(state of charge)的准确估算是电池管理系统的重要目标之一。针对传统神经网络方法在磷酸铁锂电池SOC估算中存在计算复杂、学习时间过长的问题,提出了一种新的基于ELM(extreme learning machine)的电池SOC估算方法。利用电池充放电系统完成磷酸铁锂电池在不同电流下的放电实验,获得实时测量的电压、电流。运用实验获得的数据对模型进行训练和预测,将预测效果与BP(back propagation)神经网络和SVM(support vector machine)进行对比,研究ELM在SOC预测中的可行性和优势。经分析可知,基于ELM的磷酸铁锂电池荷电状态估算模型的精度更高,并且网络训练速度得到大幅提升。

基于风速升降特征的短期风电功率预测

为提高短期风电功率预测精度,提出了基于风速升降特征的短期风电功率预测方法。该方法分析风速上升或下降对风力发电的影响,根据风速升降特征,为风速添加标记值,增加训练样本维度,从而提高功率预测精度。用上海某风电场2014年9月至2015年9月数据对算法进行验证,并对比最小二乘支持向量机(LSSVM)、极限学习机(ELM)、遗传BP神经网络(GA-BP)三种方法的预测结果。实验结果表明,在风电功率预测中引入风速升降特征能够明显提高了模型的预测精度,适合风电场的短期功率预测。

极限学习机在洪涝灾害预测中的应用

为了减轻洪涝灾害对人类的伤害,将极限学习机（extreme learning machine,ELM）引用到洪涝灾害预测中,利用凌河流域1960～2010年44个观测站（其中大凌河流域33站、小凌河流域11站）的降水资料,对凌河流域洪涝灾害进行预测,并将其与传统神经网络预测结果进行对比分析.结果表明：基于极限学习机预测模型的年均降水量预测值,大凌河流域的均方误差（MSE）为0.003,决定系数（R2）为0.927;小凌河流域的均方误差（MSE）为0.0037,决定系数（R2）为0.8481,均满足误差精度要求,其结果均优于BP神经网络预测模型的均方误差值和决定性系数.说明极限学习机预测模型用于洪涝灾害预测效果良好,为洪涝灾害预测提供了新的方法.

ELM神经网络爆堆形态预测模型的研究及应用

以Moore-Penrose广义逆的定义和欧几里德空间内线性系统的最小二乘范数解原理为基础,运用Extreme Learning Machine(ELM)神经网络———一种快速的前向神经网络学习算法,以Weibull函数的2个控制参数α,β以及松散系数ξ为输出层,提出了一种预测高台阶抛掷爆破爆堆形态的模型。该预测模型提高了爆堆形态预测的准确度,通过对黑岱沟露天煤矿爆堆形态的预测表明,ELM神经网络高台阶抛掷爆破爆堆形态预测模型的预测准确度高于同期使用BP神经网络预测的结果,更加接近于爆堆实际形态。

基于R-ELM的实时车牌字符识别技术

提出新的实时车牌字符识别技术.该技术对分割后的字符图像进行灰度化,归一到固定像素大小,采用R-ELM算法进行训练.该技术的优点在于能够采用较小的样本集,快速达到理想的识别率.实验数据显示,与传统的BP算法相比,效率能够提高2～3个数量级.为了有效地挖掘GPU的运算能力,系统采用弹性队列与动态符合调整方法,将字符数据组合成数据包,保证在使用图形处理器（GPU）进行识别的过程中,运算效率最大化.实验显示,与CPU相比,能够得到近2个数量级的速度提升.通过对大量实际样本图像的测试,采用该方法获得了良好的识别及加速效果.

基于ELM和近似熵的脑电信号检测方法

脑电癫痫波的自动检测与分类对癫痫病情的诊断具有重要意义。提出了一种基于极端学习机(extreme learning ma-chine,ELM)和近似熵的脑电信号检测方法。首先,计算脑电信号的近似熵作为非线性特征,并与利用小波变换技术提取的线性特征波动指数相结合,组成特征向量,然后将特征向量送入单隐层前馈神经网络,采用ELM学习算法训练网络。实验表明,与BP(backpropagation)和SVM(support vector machine)算法相比,ELM在训练时间和识别精度两方面性能最佳,对用于实验的脑电数据检测识别率达到98%以上。

极限学习机在散乱点云孔洞修补中的应用

针对逆向工程散乱点云模型上大面积孔洞软件修补效果差和运用传统的BP神经网络算法及改进的BP前馈神经网络效率低,提出了一种基于极限学习机(Extreme Learning Machine,ELM)前馈神经网络的孔洞修补算法。以玩具小车车身点云模型为例,将其人为漏洞分为训练数据和预测数据,采用ELM对训练数据进行训练,建立回归模型,并与BP模型和PSO-BP模型进行对比,验证了ELM神经网络的快速性和预测精度高。并以斗齿点云自然孔洞为实验对象,实现了很好的修补效果,具有较好的实用性和参考价值。

遗传算法优化BP网络对掺假蜂蜜快速识别研究

为了更好地实现对掺假蜂蜜进行检测和识别,提出一种遗传算法优化反向传播(BP)神经网络和激光诱导荧光(LIF)技术相结合的新方法。实验采用蜂蜜、果葡糖浆以及二者以不同比例混合获取的实验样本,每类样本数为150个,共600个实验样本。通过激光诱导荧光技术获取实验数据。将各类样本的70%用于算法模型训练、30%用于模型预测评估。通过PCA降维技术进行特征提取,分别用极限学习机(ELM)算法、BP神经网络算法、GA_BP三种算法进行实验。实验结果表明,相比于极限学习机的82.78%、BP神经网络算法的95.89%的准确率,GA_BP算法对预测样本的预测准确率最高,可达100%。通过将GA_BP与蚁群算法(ACO)优化BP网路、粒子群算法(PSO)优化BP网络作对比,发现GA_BP算法具有运行时间较短、鲁棒性较好的特点。

西北欧全新世中期的Elm Decline研究新进展

在５０００ａＢＰ西北欧发生的ＥｌｍＤｅｃｌｉｎｅ，是全新世突发性环境事件或灾变过程的表现。它在６０年来一直是欧洲环境变迁、考古和（１４）Ｃ年代学界关。Ｃ的热点论题。对其研究进展作了系统的评述，以了解其研究现状，促进我国全新世环境变迁和人地关系演变科学研究。

基于极限学习机的上证指数预测与分析

针对证券指数具有随机性、时变、波动性较大、非线性等特点，传统线性预测方法预测精度低等缺陷，提出了一种基于极限学习机的证券指数预测方法。极限学习机克服了BP神经网络的训练速度慢、过拟合、局部极值等缺陷，具有训练速度快、全局最优和泛化能力优异等优点。采用1991～2013年上证指数对算法性能进行训练，2014年数据做测试，对100个测试数据仿真结果表明，复相关系数高达0.9935，极限学习机是一种预测精度高、误差小的证券指数预测算法，预测结果可以为用户提供有价值的参考意见。

逐步线性回归与神经网络预测的算法对比分析

逐步线性回归能较好地克服多重共线性现象的发生,因此逐步回归分析是探索多变量关系的最常用的分析方法,智能算法是现代数据分析的主要方法。本文通过一个实例进行了对比研究,预测结果显示:在预测的精度上,在隐含层数目相同时,RBF径向神经网络>BP神经网络>逐步线性回归>ELM极限学习机。通过对比分析,发现神经网络方法较回归分析预测效果更好,误差相对较小。

基于神经网络组合模型的能源消费量预测研究

为了提高预测的精度,将神经网络组合预测模型应用于能源消费总量预测中,通过建立RBF、ELM、BP神经网络预测模型,用熵值法确定组合预测模型的加权系数,建立神经网络组合预测模型.利用安徽省统计年鉴获得的1991～2007年安徽省能源消费总量进行检验仿真,结果表明组合预测模型的误差较小,精度较高,预测结果更接近于实际情况.

基于快速神经网络的HTTP僵尸网络检测算法

僵尸网络已成为目前互联网安全所面临的严重威胁之一.经过10余年发展,僵尸网络已从使用传统的IRC协议向HTTP协议进行转变,给检测及防御等方面造成了诸多困难.通过分析基于HTTP协议僵尸网络所产生流量,在得出相关TCP协议统计信息、僵尸活动的间隔时间等特征的基础上,提出将快速学习神经网络模型(Extreme Learning Machine,ELM)用于识别和检测HTTP僵尸网络.实验表明,该方法能有效从网络流量中检测出BlackEnergry,Bobax等HTTP僵尸网络.与决策树C4.5、SVM算法及传统的BP算法相比较,该方法具有较高的识别率和较低的误报率.

基于最大相关和最小冗余准则及极限学习机的癫痫发作检测方法

癫痫发作检测可以实现脑电分类和病灶定位,对癫痫的临床治疗具有重要意义。针对大数据量、高特征值空间长程脑电的快速和准确分类问题,提出一种基于最大相关和最小冗余准则及极限学习机的癫痫发作检测方法。对脑电信号进行短时傅里叶变换,并选取能量时频分布为特征,利用基于最大相关和最小冗余准则的方法进行特征选择,并使用极限学习机、支持向量机和反向传播算法对癫痫不同状态进行分类和判别。实验结果表明,极限学习机的分类准确率和训练速度两方面性能优于支持向量机和反向传播算法,发作间期和发作期的分类准确率达到98%以上,训练时间仅为0.8 s,所提方法能够实时准确地检测癫痫发作。

基于极限学习机算法的永磁机构动作时间补偿的研究

常规永磁操动机构的动作时间补偿的预测是采用加权平均值算法、多元线性回归法和人工神经网络算法(ANN)等对动触头的分/合闸时间进行估计和预测,但是加权平均系数的计算和线性回归系数的求解比较繁琐,而ANN网络具有训练速度慢、容易陷入局部极小点、学习率的选择难以确定等诸多缺点。研究了采用极限学习机(ELM)算法和BP神经网络算法,利用Matlab软件对永磁机构动作时间进行预测,通过对比分析,得到性能较好的算法。

增量型极限学习机在尾矿灰分检测上的应用

针对选煤厂对浮选尾矿灰分识别的工程需求,提出了一种基于增量型极限学习机(I-ELM)的尾矿灰分识别方法。首先通过实验得到浮选尾矿图像的灰度直方图与尾矿灰分之间的关系,将由尾矿图像灰度值分布和尾矿的入射光强及反射光强组成的向量作为输入,尾矿灰分作为输出,然后利用I-ELM建立预测模型,对尾矿灰分进行识别,并与用BP神经网络和固定型极限学习机(ELM)建立的模型进行了对比。结果显示,I-ELM具有较高的预测精度,同时具有较快的学习速度,是一种比较有效的浮选尾矿灰分识别方法。

基于人工神经网络模型的铸造涂料性能预测

针对铸造涂料的成分与涂料基本性能之间的复杂关系,提出利用人工神经网络对实验数据进行处理,建立实验因素与结果之间的神经网络模型。结果表明,在误差允许的范围内,构建的B P神经网络和ELM神经网络都可以实现对铸造涂料性能的预测。程序运行时间主要受神经网络模型的影响,对于悬浮率(2h)和悬浮率(24 h),ELM神经网络模型比BP神经网络模型具有较高的预测精度和运行速度。

基于极限学习机的浅海水深遥感反演研究

以Sentinel-2A遥感影像为数据源,在数据预处理基础上,使用极限学习机建立水深反演非线性回归模型,并与双波段回归模型、神经网络BP模型进行了比较。结果表明,总体上,支持极限学习机反演精度比较高,在水深5~20m处,极限学习机模型具有较高的反演精度和良好的效果,适用于研究区的水深反演。

煤泥浮选中I-ELM的应用

煤泥浮选过程中,对浮选尾矿成分进行测量、控制,可以有效地浮选出合格的煤产品且有利于节能减排。提出将增加型极限学习机(I-ELM)应用于煤泥水成分的识别中。通过CCD相机及其配套PLC软件系统得到灰度直方图,基于灰度直方图提取灰度特征,将灰度特征作为输入向量,煤泥水灰分含量作为输出向量,建立起以I-ELM为基础的煤泥水灰分识别模型。同时,训练建立传统的BP人工神经网络模型和ELM预测模型与提出的方法进行比较。结果显示,增加型极限学习机可以在较短的时间内,达到要求精度。