基于ELM-AE和BP算法的极限学习机特征表示方法

基于极限学习机自编码器(extreme learning machine based autoencoder,ELM-AE)和误差反向传播(back propagation,BP)算法,针对ELM提出了一种改进的特征表示方法。首先,使用ELM-AE以无监督的方式学习紧凑的特征表示,即ELM-AE输出权重;其次,利用ELM-AE输出权重来初始化BP神经网络的输入权重,然后对BP网络进行监督训练;最后,用微调的BP网络输入权重初始化ELM的输入权重参数。在MNIST数据集上的实验结果表明,采用BP算法对ELM-AE学习的参数进行约束,可以得到更紧凑且具有判别性的特征表示,有助于提高ELM的性能。

基于小波核极限学习机的烟叶烘烤过程的智能识别

烟叶烘烤设备操作复杂、技术含量高、熟练掌握烟叶烘烤技术人员不足等问题,影响了烟叶的烘烤质量。针对上述问题,本文提出了基于小波核极限学习机的烟叶烘烤过程的智能识别方法。实验中对三段式烘烤过程中的叶片变软、主脉变软、勾尖卷边、小打筒、大打筒和干筋6个烘烤阶段分别提取了颜色、纹理和温湿度特征,组建了9维特征向量进入小波核极限学习机,通过增量型算法自适应地选择神经元个数,快速准确地识别了6个阶段,得到了98.33%的识别率。实验结果表明本文提出的基于小波核极限学习机的烟叶烘烤过程的智能识别方法具有一定的可行性,为研发烟叶烘烤智能调控系统奠定了理论基础。

基于极限学习机的短期电力负荷在线预测

为满足智能电网对电力负荷实时预测的需求,提出基于稀疏递归最小二乘法的极限学习机(SRLS-ELM)在线学习算法,用于短期电力负荷的在线预测.相比在线序列ELM, SRLS-ELM算法无需选择离线样本初始化网络输出权重,将网络学习的平方误差与输出权值的稀疏正则化项相结合,用l1-范数稀疏化网络隐藏层节点,用次梯度策略解决求解过程中代价函数无法处处可微的问题,以递归最小二乘的训练方法完成在线学习,根据估计误差自适应寻找最优正则化参数.仿真结果表明,基于SRLS-ELM的算法能有效简化网络结构,且与ELM、堆叠核ELM批量、在线序列ELM半在线以及精确在线支持向量机回归模型相比,对短期电力负荷在线预测时具有更高的预测精度和学习效率,且鲁棒性强.

基于优化极限学习机模型的边坡稳定性预测研究

边坡稳定性预测对工程安全及地质灾害防治极其重要,目前机器学习在边坡稳定性预测较广泛,例如BP神经网络、支持向量机(SVM)、极限学习机(ELM)等。但传统的ELM模型在预测边坡稳定性时存在易陷入局部最小值、难以选择合适学习率的问题,针对此问题,提出了一种基于主成分分析法(PCA)和爬行动物搜索法(RSA)并行优化极限学习机(ELM)的边坡稳定性预测模型。此模型利用PCA算法对数据进行降维,减少数据的冗余性,并利用RSA算法优化ELM模型的输入层权值和隐含层偏置,极大地提高了模型的预测精度和预测效率。将传统的ELM模型、RSA-ELM模型、PCA-SVM模型及PCA-RSA-ELM 4种模型进行对比,从而得到PCA-RSA-ELM模型在边坡稳定性预测这类问题上的精确性更高,为边坡稳定性预测分析提供新的思路,对防灾减灾及保护国民经济安全具有重大意义。

基于灰色关联度分析-极限学习机的低阻油层及水淹层测井识别——以渤海P区块馆陶组为例

历经近20的开发,渤海P区块进入高含水期,馆陶组发育的大量低阻油层与水淹层在测井曲线形态上差异不明显。为了精确进行水淹层识别以及水淹层等级划分,采用了机器学习算法。首先采用灰色关联度分析,筛选低阻油层和水淹层识别的敏感参数曲线;其次构建了极限学习机水淹层识别模型,对模型进行训练,获取最优参数。将其应用于实际资料处理,结果表明,基于灰色关联度分析极限学习机的低阻油层及水淹层测井识别方法对低阻油层与水淹层的预测精度较高,符合率达89.3%,远远优于未经过灰色关联度分析筛选的预测结果,具有实际应用价值。

基于改进极限学习机的电力市场实时电价预测方法

针对实时电价数据波动性强及其影响因素复杂,导致现有预测模型稳定性及预测精度低的问题,提出了一种基于改进极限学习机的电力市场实时电价预测方法。设计了基于经验小波变换的实时电价数据分解方法,将电价序列分解为接近价格的低频信号和噪声的高频信号。同时提出基于改进随机森林的实时电价特征提取算法,根据预测重要度获取最优的电价影响因素特征组合。以此为基础,将核函数替代极限学习机隐藏层构建了R-KELM预测模型,更好地反映了多因素影响下实时电价的不确定性和波动性。以PJM实时电价数据为例,结果表明,所提方法可以有效克服电价数据强波动性及高特征冗余的问题,预测模型准确性及稳定性得到显著提升。

引入神经网络极限学习机的关键数据查询模型

网络空间数据的结构具有较高相似性,海量数据的不断增量更新,导致关键数据查询结果存在冗余和偏离问题。因此提出基于神经网络极限学习机的关键数据查询方法。建模描述关键数据查询问题。基于此引入神经网络极限学习机,建立关键数据查询模型。预处理数据库中无用数据和重复数据做,通过输出权值范数的最小二乘解,避免算法陷入局部最优。结合输出矩阵,训练查询模型,输出结果结果即为关键数据查询结果。为证明上述方法的性能优势,设计对比实验,结果表明提出的方法应用于关键数据查询的均方根误差不超过1.2,平均绝对百分比误差最高为4.1%,关系数F可达0.6,网络节点的使用率低于20%。以上实验数据验证了上述方法数据查询精度较高,可应用性更强。

基于因果正则化极限学习机的风电功率短期预测方法

随着风电并网比例的逐年提高,电力系统对风电功率预测的准确性和稳定性提出了更高要求。对于同一风电场而言,为了避免不同特征选择方法所选择的风电场特征子集不同,从因果关系的角度出发,提出了一种基于因果正则化极限学习机(causal regularized extreme learning machine, CRELM)的风电功率短期预测方法。首先将极限学习机(extreme learning machine, ELM)建模为结构因果模型(structural causal model, SCM),在此基础上计算隐藏层神经元与输出层神经元之间的平均因果效应向量。然后将该平均因果效应向量与输出层权重相结合构成因果正则化项,在最小化训练误差的同时最大化网络的因果关系,以进一步提升模型的预测准确性和预测稳定性。最后,以国内蒙西某风电场数据为例,与采用特征选择或不采用特征选择的预测模型相对比,验证了所提方法的有效性和适用性。

基于数据分解与斑马算法优化的混合核极限学习机月径流预测

为提高月径流预测精度,改进混合核极限学习机(HKELM)预测性能,提出小波包分解(WPT)-斑马优化算法(ZOA)-HKELM组合模型。利用WPT处理月径流时序数据,构建局部高斯径向基核函数和全局多项式核函数相混合的HKELM;通过ZOA优化HKELM超参数(正则化参数、核参数、权重系数),建立WPT-ZOA-HKELM组合模型,并构建WPT-遗传算法(GA)-HKELM、WPT-灰狼优化(GWO)算法-HKELM、WPT-鲸鱼优化算法(WOA)-HKELM、WPT-ZOA-极限学习机(ELM)、WPT-ZOA-最小二乘支持向量机(LSSVM)、ZOA-HKELM作对比模型,通过黑河流域莺落峡、讨赖河水文站月径流时间序列预测实例对各模型进行检验。结果表明:(1)莺落峡、讨赖河水文站月径流时间序列WPT-ZOA-HKELM模型预测的平均绝对百分比误差分别为1.054%、0.761%,决定系数均达0.999 9,优于其他对比模型,具有更高的预测精度,预测效果更好。(2)利用ZOA优化HKELM超参数,可提高HKELM预测性能,优化效果优于GWO、WOA、GA。(3)预测模型能充分发挥WPT、ZOA和HKELM优势,提高月径流预测精度;在相同分解和优化情形下,HKELM的预测性能优于ELM、LSSVM。

基于变分模态分解和深度多核极限学习机的轴承故障分类

针对轴承故障分类任务中核极限学习机(kernel extreme learning machine,KELM)超参数选择困难、模型运算速度慢的问题,提出一种基于深度混合核极限学习机(deep hybrid kernel extreme learning machine,DHKELM)的轴承故障分类方法,利用天鹰优化算法(aquila optimization algorithm,AO)实现该模型超参数的优化选择。首先,以峰度指数作为鲸鱼优化算法(whale optimization algorithm,WOA)的适应度函数,对变分模态分解(variational mode decomposition,VMD)的相关参数寻优,利用最优参数组合进行VMD分解,得到k个模态分量并求其希尔伯特-黄变换(Hilbert-Huang Transform,HHT)边际谱作为特征数据,将其作为天鹰优化DHKELM分类器的输入,对不同状态的轴承故障进行识别。实验结果表明,KELM,DHKELM,天鹰优化DHKELM三种分类模型故障识别准确率分别为94%,96.67%,98.34%,运算时间分别为0.0631,0.0360,0.0175 s,证明AO-DHKELM识别准确率和运算速度均具有明显优势。

基于改进灰狼优化核极限学习机的疾病诊断模型

为提高疾病诊断的效率,本文提出一种改进的灰狼优化算法与核极限学习机的混合模型。通过引入一种新的机制提高灰狼优化算法的探索与利用能力,改进的灰狼优化算法在进行特征选择的同时,也对核极限学习机的2个关键参数进行优化,模型在2个疾病数据集上进行实验验证。实验结果显示:提出的模型在准确率、敏感性、特异性等评价指标方面相对于其他混合模型高出约1%~2%,带特征选择的优化模型相对于没有特征选择的模型在评价指标上也高出约1%~2%。结果表明提出的模型具有一定的优势。

应用集成极限学习机的电站SCR脱硝系统建模与分析

针对火电机组普遍采用的选择性催化还原(selective catalytic reduction,SCR)脱硝反应容易受到环境因素影响,且具有非线性、大迟延、强扰动特点,难以建立准确反应模型的问题,提出一种基于集成极限学习机的SCR脱硝系统建模方法。首先,选择4种具有不同激活函数的极限学习机和核极限学习机作为基学习器,分别建立SCR脱硝系统模型;然后,利用偏最小二乘算法将各基学习器的结果进行集成;最后,采用某1000 MW超超临界机组实际运行数据与所提建模方法相结合建立SCR脱硝系统模型。实验结果验证模型的有效性;与其他方法所建模型对比,结果表明基于集成极限学习机的SCR脱硝系统模型具有更好的模型泛化能力。

基于灰狼算法和极限学习机的风速多步预测

为了提高风速的多步预测水平,提出了一种基于数据信号分解和灰狼算法优化极限学习机的混合预测模型。首先,使用具有自适应噪声的完全集成经验模态分解算法将原始风速时间序列分解为若干本征模态函数和一个残差序列,并使用偏自相关函数法对模型输入进行特征选择;其次,在分解子序列上分别建立模型并进行预测,构造多输入多输出策略的极限学习机神经网络,使用灰狼优化算法求解其中的最优化隐含层权值和偏置;最后,对子序列进行重构并得到最终的预测结果。使用时间分辨率为15 min的多组实测资料开展模拟实验,所提模型在3个风电场的均方根误差分别为0.859、0.925、0.927 m/s,均低于其他对比模型,验证了该模型在未来4 h风速预测即16步预测中的有效性。

基于极限学习机模型参数优化的光伏功率区间预测技术

提出一种基于极限学习机(ELM)模型参数优化的光伏功率区间预测技术.首先,提出加权欧氏距离作为光伏功率预测区间评估指标,筛选历史样本单元并优化ELM训练集;然后,提出ELM参数混合寻优算法,利用精英保留策略遗传算法与分位数回归优化ELM模型隐层输入及输出权重与偏置参数,并采用训练后的模型预测光伏功率区间;最后,基于光伏电站与气象站历史数据构建实际算例,预测光伏功率区间,并与其他方法得到的结果进行对比.算例结果表明:所提方法在增加区间预测可信度的同时,能较大程度提高区间预测准确度.

基于时移多尺度波动散布熵和改进核极限学习机的水电机组故障诊断

水电在能源供给结构改革中承担重要角色,随着风、光、潮汐等新型能源的不断接入,水电机组的负荷运行范围不断加宽,导致水电机组发生事故的概率增加,因此,开展水电机组智能故障诊断研究具有十分重要的现实意义。本文针对水电机组振动信号中蕴含大量噪声信号,干扰故障诊断的问题,提出一种时移多尺度波动散布熵和改进核极限学习机相结合的水电机组故障诊断方法。首先,结合信息熵理论与时移思想,在多尺度波动散布熵的基础上,采用时移理论替代多尺度波动散布熵(MFDE)中传统的粗粒化过程,提出时移多尺度波动散布熵(TSMFDE),通过仿真实验,证明所提方法具有良好的时序长度鲁棒性、抗噪性及特征提取能力,解决了传统多尺度熵粗粒化不足的问题。然后,利用具有可移植性强、寻优能力强和收敛速度快等特征的算术优化算法(AOA)对核极限学习机(KELM)的正则化参数和核函数参数进行寻优,建立AOA-KELM分类器,解决了KELM超参数难以调节的问题。最终,通过转子试验台模拟实验,将TSMFDE提取的特征输入分类器中,完成模式识别工作。仿真结果表明,所提模型取得最高的诊断精度,达到了100.0%,相对于其他流行模型,本文所提模型展现了明显的优势,验证了所提模型的良好诊断精度。

基于深度学习与改进极限学习机的包装机轴承故障诊断

针对包装机故障信号受噪声影响且样本稀少导致传统的诊断方法不能满足实际场景应用要求的问题,提出一种新的轴承故障诊断方法。首先,利用连续小波变换(Continue Wavelet Transform, CWT)将振动信号转换为二维图像。其次,将其输入深度网络模型进行训练。再次,利用极限学习机(Extreme Learning Machine, ELM)进行故障分类。最后,通过麻雀搜索算法(Sparrow Search Algorithm, SSA)对ELM进行优化。试验结果显示,在强噪声干扰且少样本训练的情况下,所提方法的准确率仍能够达到98.91%,并且模型在不同的轴承数据集中的准确率均达到98.92%,证明所提方法具有一定的实用价值。

高光谱结合哈里斯鹰优化核极限学习机鉴别化橘红胎切片年份

化橘红胎是药用历史悠久的广东省道地中药材,由于其制品收藏年份越久远价格越高,市面上常有以次充好的现象。为此,采用高光谱成像技术,结合哈里斯鹰优化核极限学习机对四组不同年份的化橘红胎切片样品进行鉴别。采集四个年份共193个化橘红胎切片样本400~1000 nm的高光谱图像。首先采用主成分分析法(PCA)分析化橘红胎切片的原始反射光谱,然后分别采用Savitzky-Golay平滑(S-G平滑)、多元散射校正(MSC)、标准正态变量交换(SNV)对样本光谱进行预处理并建立核极限学习机(KELM)模型;发现经SNV处理的样本光谱的判别准确率最高,训练集达到99.24%,测试集95.56%;进一步用竞争性自适应重加权算法(CARS)、蒙特卡洛无信息变量消除法(MCUVE)对样本光谱进行特征波长的选择;最后,采用KELM建立判别模型,同时使用哈里斯鹰算法(HHO)优化KELM参数选择并比较建模效果。结果表明:基于HHO-KELM的判别效果相较KELM有0.76%~4.44%的提升,通过MCUVE筛选所得特征波段信息冗余明显减少且精度提升,训练集和测试集最佳准确率均可达100%,故采用高光谱成像技术可以实现对不同年份的化橘红胎切片进行无损鉴别。

基于改进层次样本熵和极限学习机的离心泵故障诊断方法

为了提高离心泵早期故障诊断模型的准确性,提出一种改进层次样本熵(improved hierarchical sample entropy,IHSE)和极限学习机(extreme learning machine,ELM)相结合的离心泵故障诊断方法.首先,针对传统分层样本熵在高层次下算法稳定性弱的问题,利用移动平均和移动差分过程代替传统的分层模式,提出一种新的评估时序信号复杂性工具——IHSE;然后,利用IHSE提取离心泵振动信号的故障特征;最后,将故障特征输入ELM模型,实现离心泵不同运行状态的有效识别.研究结果表明:所提方法在2个不同类型离心泵故障数据集上的诊断率分别为99.58%和99.68%,在所有诊断模型中表现最佳,表明该方法具有良好的诊断性能.研究结果为离心泵故障诊断提供了一种新的方法,具有良好的参考价值与应用前景.

基于集成SAO优化互相关熵极限学习机模型的变压器故障诊断方法

针对基于传统机器学习的变压器故障诊断方法在数据不平衡、训练数据集存在离群值等条件下稳健性弱和泛化能力不强等问题,提出一种稳健集成学习模型用于实现电力变压器的高精度故障诊断。首先针对离群值对模型稳健性的影响,将互相关熵损失(correntropy loss,CL)引入极限学习机(extreme learning machine,ELM)框架并应用梯度法获得最优解,以构建稳健学习模型CLELM,并利用雪消融优化器(snow ablation optimizer,SAO)优化CLELM的隐含层权重和偏差,以进一步改进其性能。其次,为了增强模型的泛化能力,将多个SAO-CLELM进行加权融合以构成稳健集成学习模型。最后,针对变压器故障数据集不平衡问题,采用合成少数类过采样技术对数据进行扩充,并应用平衡化后的数据训练集成SAO-CLELM模型以实现故障诊断。在两种故障测试集下对所提集成SAO-CLELM模型的故障诊断性能进行了验证,实验结果表明所提模型能获得准确的故障分类结果,说明其具有较高的稳健性和泛化性。

基于核极限学习机的多标签数据流半监督在线分类方法

实际应用中涌现的大量流数据具有高速到达、海量、动态变化等特点,同时,这些数据流常含有多个标签且只有少量数据被标记,从而带来多标签数据环境下的概念漂移与标签缺失问题.为此,文中提出基于核极限学习机的多标签数据流半监督在线分类方法.首先,针对多标签数据流的标签缺失问题,根据滑动窗口将数据流划分为k块,对每块数据构造特征相似性矩阵和标签相似性矩阵,并加入核极限学习机的训练中.同时为了适应流数据的特点,设计增量式更新机制,构建半监督在线核极限学习机.然后,为了适应数据流中的概念漂移问题,采用基于时间戳丢弃更新的机制,预先设定数据规模,当数据到达指定规模后,丢弃最旧的无标签数据,将新的数据加入更新.最后,在10个多标签数据集上的实验表明,文中方法对标签缺失和概念漂移问题具有较强的适应能力,并能保持较优的分类效果.