基于CS-ELM的电力营销用户服务质量评估方法

传统的电力营销用户服务质量评估方法通常基于贝叶斯网络原理而设计,存在较大的应用限制,难以实现多维度评估,导致评估分数与实际情况存在较大差距,评估准确性较低。为解决这一问题,文章引入了CS-ELM方法,提出了一种全新的服务质量评估方法。首先,建立了电力营销用户服务质量综合评估体系并设计了相应的评估指标。其次,利用CS-ELM方法对评估体系中的指标进行加权处理。在此基础上,绘制了电力营销用户服务质量的树形图,结合评估指标的权重结果,设定了权重分值评估等级标准,完成了评估过程。经过实例分析表明,使用这一新方法后,评估分数更接近实际情况,误差较小,评估准确性显著提高。

基于Spearman-CS-ELM的油气管道腐蚀预测模型

腐蚀是造成油气管道失效的主要原因,准确预测管道的腐蚀缺陷是防止管道失效事故的重要手段。基于斯皮尔曼(Spearman)、布谷鸟算法(CS)和极限学习机(ELM)组合模型,采用Spearman相关系数判别腐蚀因素的相关性,利用因子分析进行降维处理,引入极限学习机对腐蚀速率进行回归,采用CS算法对ELM模型的输入权值和隐含层阈值进行迭代寻优,并比较不同的ELM激活函数,建立了一套埋地管道腐蚀速率预测方法。通过对某埋地管道进行预测值与实际检测值的比对,腐蚀速率的平均相对误差为2.32%。

ADCS-ELM算法滚动轴承故障诊断

针对滚动轴承的故障信息难以从复杂噪声背景下的非平稳振动信号中提取且传统方法分类精度低等问题,提出一种基于集合经验模态分解(EEMD)能量特征提取和优化极限学习机神经网络(ADCS-ELM)分类诊断相结合的轴承故障诊断方法。利用EEMD对非线性和非平稳信号的自适应分解能力,将待检测轴承故障信号分解为包含故障特征的固有模态函数集(IMFs),并提取能量特征向量;利用自适应动态搜索步长改进布谷鸟搜索算法(ADCS)优化ELM网络连接权值和隐层阈值;将提取的故障特征向量用于训练极限学习机神经网络,得到最优权值和阈值;利用ADCS-ELM进行轴承故障诊断实验。实验结果表明:与BP,LVQ和ELM网络轴承故障诊断方法相比较,所提方法能够有效提高故障识别准确率,并且具有更快的计算速度。

基于VMD样本熵和CS-ELM的滚动轴承故障诊断

为解决滚动轴承故障信号不稳定和故障识别准确率低的问题,结合VMD样本熵特征提取与布谷鸟搜索(CS)算法优化的超限学习机(ELM)进行故障识别实验。首先对故障信号进行VMD分解并计算样本熵形成特征向量,然后通过CS算法优化ELM输入权值和隐含层阈值,最后利用CS-ELM模型进行分类诊断。实验结果表明:基于VMD样本熵和CS-ELM的滚动轴承故障识别准确率高于99%。

基于CS算法改进ELM的时间序列预测

为解决现有时间序列预测模型稳定性差、训练时间长、预测精度低等问题,提出一种基于布谷鸟搜索(CS)算法改进的极限学习机(ELM)的时间序列预测模型。利用CS算法对ELM模型进行改进,自适应调节ELM的隐含层节点数,选取最优的一组输入权值和阈值,提高预测精度和稳定性,减少训练时间。实验结果表明,在单步预测方面,CSELM预测精度高,用时少,在稳定性方面达到了很好的效果,将CS-ELM应用到话务量多步预测中,达到了很好的预测精度。

基于ELM的遥感影像城市道路提取

针对高分辨率遥感影像中复杂场景道路提取不理想问题,利用极限学习机ELM的快速学习能力,提出了一种基于ELM的城市道路提取方法。首先,利用改进的布谷鸟搜索CS算法自适应地选择ELM的隐含层节点数,以提高模型的稳定性;其次,引入数据样本蕴含的判别信息,弥补ELM学习不够充分问题,进而提高ELM分类性能;最后,结合数学形态学处理,对提取道路进行优化,获得最终的道路提取效果。遥感影像道路提取实验结果表明,所提方法不仅增强了网络的稳定性,同时还提高了道路提取的精确度,能较好地提取出道路信息。

红外光谱快速识别食用植物油种类的研究

为实现食用植物油种类的快速无损识别,为公安实战中打击“食药环”犯罪提供参考,借助衰减全反射-傅里叶变换红外光谱技术对不同类别、品牌食用植物油进行了多层次分类识别工作。采用标准正态变换(SNV)和一阶导数预处理消除基线和其他背景干扰,使得重叠峰发生分离,从而提高检测的分辨率和灵敏度,利用竞争性自适应重加权算法(CARS)提取特征波长,结合基于布谷鸟搜索算法优化的极限学习机(CS-ELM)模型对不同种类和品牌的食用植物油进行分类识别,同时对比随机森林模型与CARS-CS-ELM融合模型在食用植物油快速分类检测方面的准确率。结果表明,基于CARS-CS-ELM融合模型对3类植物油样本总体进行分类,其分类准确率达到85.19%,其中小磨香油、花生油、玉米油样本训练集的品牌分类准确率依次为92.5%、100%、96.7%,测试集品牌分类准确率均为100%,而随机森林模型的9个品牌食用植物油分类准确率仅为80%。综上,CARS-CS-ELM融合模型对食用植物油快速分类识别效果较好,可为食用植物油的无损快速检验提供一定的参考与借鉴。

采用改进的布谷鸟算法优化极限学习机

针对极限学习机在处理非线性问题时,网络结构难以确定,将导致算法精度低、稳定性差的问题,提出利用改进的布谷鸟搜索算法优化极限学习机的算法。引入差分进化算法的变异策略对布谷鸟搜索算法进行改进,从而减少了迭代次数、增强了全局搜索能力;然后采用改进后的CS算法自适应的选择极限学习机的隐层神经元的个数及其所对应的输入权值和阈值,以提高模型的精度和稳定性。对不同数据的时间序列预测的仿真结果表明,提出的算法与其它算法相比,在收敛速度、预测精度和稳定性方面都有明显的提高。把提出的算法应用到多步预测中,进一步验证了提出的算法的有效性。