GA-ELM在船舶航行安全严重程度影响因素分析应用研究

为了辨识出船舶航行安全最主要的影响因素,而采用了青岛海事局发布的2001—2010年管辖水域发生的海上交通事故统计资料为样本,选取外部条件、技术设备、航行因素、航行过失、违犯规章、他船行为和信息交流6方面海上交通事故影响因素并量化处理,按照一般程度事故和严重程度事故二个大分类,采用建构以ELM为海上交通事故严重程度筛选器,以遗传算法辨识海上交通事故影响因素GA-ELM模型的方法,达到了通过类别筛选器建构GA-SVM模型,分析比较验证GA-ELM法高效性的结论.结论证明:GA-SVM在船舶航行安全影响因素分析中操作简捷、时长短和精度高.

参数优化GA-ELM模型在露天煤矿抛掷爆破的预测

为有效指导露天煤矿制定正确生产计划,提高露天煤矿抛掷爆破预测的准确率,在分析露天煤矿抛掷爆破影响因素的基础上,通过"试错法"确定模型最优隐含层节点参数,进而提出一种参数优化后遗传算法(GA)和极限学习机(ELM)相结合的抛掷爆破预测模型。选取网络的输入输出相关参数,针对现有ELM输入权值矩阵和隐含层偏差,采用遗传算法对其进行优化选择;利用某露天煤矿抛掷爆破监测数据对该模型进行实例分析,并将RBF,BP,SVM,GA-BP模型预测结果与该模型进行对比分析;并引入Weibull模型,通过预测控制参数ɑ,β模拟爆堆形态。研究结果表明:(1)通过"试错法"确定GA-ELM模型最优隐含层节点数为39,有效降低系统的仿真误差,该参数下仿真误差值为0.137 7;(2)相较于传统ELM预测模型,通过遗传算法优化后,有效抛掷率,松散系数以及抛掷距离均得出更小的均方误差MSE值(0.258 0,1.748 5×10-4,3.618 4)和更高的决定系数R2值(0.986 4,0.995 3,0.970 6),改进后的GA-ELM具有更好的拟合效果和泛化能力;(3)通过与其他智能算法如BP,RBF,SVM,GA-BP相比,改进后的GA-ELM测试结果(均方误差,决定系数,仿真误差)明显优于其他预测模型,有效提高预测精度;(4)利用训练完成的GA-ELM网络预测爆堆形态时,控制参数a,β的预测误差均未超过5%,预测爆堆曲线接近真实爆堆曲线。

基于GA-ELM及遗传算法的注塑件成型工艺优化

以某电器扣盖壳体注塑成型工艺参数优化为例,对正交试验结果进行极差分析,得到各工艺参数对塑件翘曲变形量的影响程度顺序为保压时间>模具温度>注射时间>熔体温度>保压压力>冷却时间。利用遗传算法优化后的极限学习机网络模型(GA-ELM)预测该塑件的翘曲变形量,得到训练好的GA-ELM模型可以很好反映6个工艺参数与翘曲变形量之间的非线性耦合关系,利用遗传算法强大寻优能力在训练好的GA-ELM网络模型中寻找较优的工艺参数。通过对比分析ELM与GA-ELM网络预测模型可知,ELM网络模型的R^(2)为0.67032,GA-ELM网络模型的R^(2)为0.99107,利用遗传算法优化得到的ELM网络预测系统与直接使用ELM网络预测系统相比,有较高的预测精度及稳定性。GA-ELM-GA优化后的翘曲变形量及收缩不均引起的变形量与正交试验设计优化结果相比,降低了12.18%,与初始方案的翘曲变形量及收缩不均引起的变形量相比,降低了39.8%。在一定程度上降低了该塑件翘曲变形量,并验证了该优化方法的可行性。

基于GA-ELM神经网络的逐时太阳辐照量预测

太阳能辐照量是影响光伏发电的主要因素,准确的太阳能辐照量预测对于光伏发电具有重要的作用。为提高预测模型对环境因素的敏感性与预测精度,提出基于遗传算法(genetic algorithm,GA)改进极限学习机(extreme learning machine,ELM)的太阳辐照量预测方法。首先,选取与太阳能辐照量相关的候选属性因素,确定输入变量;其次,以2009年到2014年与待预测日相同日期前后15 d范围内数据为训练集;再次,采用GA优化ELM的隐含层输入权值及偏置向量;最后,采用优化后的GA-ELM模型,开展逐时太阳辐照预测模型。实测算例表明,相较ELM、BP神经网络,新方法具有更高的预测精度,能够适应外界气象条件突变情况下的辐照预测需要。

金属矿深部开采岩爆危险预测的GA-ELM模型研究

为对金属矿山深部开采时岩爆的危险性进行预测,在总结深部开采岩爆发生机理的基础上,综合选取影响岩爆发生的3个重要因素作为岩爆预测的判别因子。搜集国内外金属矿深部开采岩爆的实例作为训练样本,引入极限学习机算法(ELM),针对该算法的不足,采用遗传算法(GA)对其相关参数进行优化,建立了岩爆预测的GA-ELM模型,并与单一ELM模型进行对比。利用该岩爆预测模型对一典型金属矿深部开采进行岩爆预测,结果与实际情况相吻合。研究结果表明,岩爆预测的GA-ELM模型训练效果及泛化能力均优于单一ELM模型、SVM模型及传统的BP模型,且该模型能够对金属矿深部开采的岩爆进行准确有效地预测,具有一定的工程应用价值。

基于GA-ELM的飞行载荷参数识别

针对用复杂飞行数据识别飞行载荷时的精度低、速度慢等问题,提出一种结合遗传算法(GA)和极限学习机(ELM)的GA-ELM模型。该模型使用ELM神经网络作为计算核心,用遗传算法产生ELM网络输入层到隐含层的权值矩阵和隐含层偏移量;用GA-ELM模型对飞行数据进行识别,并与BP神经网络和原始ELM神经网络的识别结果进行对比。结果表明:GA-ELM模型是一种有效且高精度的飞行载荷参数识别方法。

压铸模型腔曲面铣削表面粗糙度GA-ELM预测

应用球头铣刀对压铸模具型腔曲面铣削精加工前,通过预测其表面粗糙度,可以辅助工艺人员合理配置铣削工艺参数组合。依托GA算法强大的全局寻优能力,优化ELM固有缺陷,建立遗传算法-极限学习机(GA-ELM)模型,并应用该模型预测压铸模型腔曲面铣削精加工表面粗糙度。训练本模型需要选定输入参数及输出参数,选定输出参数为表面粗糙度,输入参数选定为与之相关的铣削工艺参数,通过可变轴精加工铣削实验获得训练集和测试集数据样本,并将本模型预测结果与其他模型对比,对比模型选择未优化的ELM模型及GA-BP模型,对比结果验证了本模型的优越性。最后,再次通过可变轴精加工铣削实验验证本模型预测结果的可靠性,并基于MatLab环境开发可视化的表面粗糙度预测系统。结果表明:本模型相比ELM模型及GA-BP模型,在铣削精加工表面粗糙度预测方面,预测精度及效率优势明显。

基于GA-ELM模型的我国天然气进口预测

我国天然气进口具有时间短、数据量少的特点,传统的预测方法不能兼顾结果的准确性和实时性.提出了一种基于遗传算法优化极限学习机模型的权重和阈值的新方法,使用随机森林算法评估影响因素的特征重要性,从中选择了影响最显著的6个因素作为模型的自变量;用自变量2006—2018年的历史数据训练经遗传算法优化的极限学习机模型,得到预测精度高的机器学习模型;再使用差分整合自回归移动模型对未来自变量的数值进行预测,将预测结果代入训练好的机器学习模型中,得到未来天然气进口量的预测值.结果显示,我国未来天然气进口量将呈现上升态势,其增长率经历几年下降后将保持平稳.

基于GA-ELM混合模型的急性心肌梗死定位算法研究

针对心肌梗死疾病的快速准确定位,提出一种结合基因算法和极限学习机(GA-ELM)的新定位算法。对多导联心电图(electrocardiogram,ECG)进行去噪预处理;分别定位出每个R波峰的位置,并将心电信号分割成相互独立的心搏序列,作为混合模型的输入;采用(Physikalisch-Technische Bundesanstalt,PTB)心肌梗死数据库验证所提算法的有效性。利用十折交叉验证法评测算法定位的精度,实验结果表明,GA-ELM混合模型对心肌梗死定位的准确率达到98.42%,性能优于其他文献的算法,对医护工作者确定心肌梗死部位具有重要的临床意义。

基于GA-ELM的机械手振动预测模型研究与应用

在实际工作过程中,压铸模取件机械手在低频率下会产生明显的振动,影响机械手的工作精确度以及机械手整体稳定性。应用有限元重点对机械手进行静力学分析、模态分析,并针对实际工况分析瞬态动力学特性。同时,运用遗传算法-极限学习机(GA-ELM)模型对机械手振动变形量进行预测。以影响机械手振动的因素作为输入参数,包括工件重力载荷、水平惯性载荷、机械臂的长度及其横截面直径,以机械手末端振动最大变形量为输出参数,对其振动情况进行预测。最后,对比实际仿真,验证了预测结果的可靠性。

基于GA-ELM数控铣刀寿命预测模型研究

在加工过程中,刀具磨损状况对零件的加工质量具有重要影响,精确预测刀具寿命是智能制造系统必须具有的关键功能之一.在分析数控铣刀寿命影响因素的基础上,引入极限学习机(ELM)算法模型,建立数控铣刀寿命预测模型.在寿命预测过程中,采用遗传算法(GA)对ELM模型的输入权值和隐含层阈值进行优化,建立基于GA-ELM的数控铣刀寿命预测模型,同时将其与基本BP神经网络、优化BP神经网络和基于粒子群改进的BP神经网络的预测结果进行对比分析.结果表明,基于GA-ELM的刀具寿命预测模型相比较于其他3种算法更加优越,是一种行之有效且精度高的刀具寿命预测算法.

基于GA-ELM的冲击地压危险性预测研究

为提高冲击地压预测的效率和准确率,在分析冲击地压影响因素的基础上,提出了一种将遗传算法(GA)与极限学习机(ELM)相结合的冲击地压预测的新方法。为了避免ELM受输入权值矩阵和隐含层偏差随机性的影响,算法采用GA对ELM的输入权值矩阵和隐含层偏差进行优化,建立GA-ELM冲击地压预测模型。利用某矿冲击地压统计数据对该模型进行了实例分析,将ELM、SVM和BP算法预测结果与该模型进行了对比分析。结果表明:GA-ELM模型具有较高的预测精度,可以相对准确、有效地对冲击地压发生的可能性进行预测。

GA-ELM在硫铁矿制酸尾气SO_2浓度预测的应用

基于对整个生产流程的管控,使硫铁矿生产硫酸尾气的SO_2浓度达标排放,提出运用GA-ELM对制酸尾气SO_2浓度进行建模预测.在硫铁矿制酸的生产过程中采集对尾气SO_2浓度影响较大的关键点参数,运用GAELM神经网络对烟气制酸尾气SO_2浓度进行预测.该方法在某厂实际检验,其预测结果与实际数据吻合度较高,对于调整和优化工艺指标和尾气达标排放起到很好的指导作用.

基于改进的GA-ELM煤与瓦斯突出预测模型

为准确、快速地预测煤与瓦斯突出,提出了一种基于因子分析和遗传算法(GA)优化极限学习机(ELM)的煤与瓦斯突出危险性预测模型。构建10种影响因素的煤与瓦斯突出评价指标体系,采用因子分析法对评价指标体系进行分析提取,将提取出的5个公因子作为ELM的输入参数,为避免ELM输入权值和隐含层偏差随机性的影响,应用GA对ELM模型参数进行优化,构建GA-ELM模型,选取20组实例进行仿真预测,同时与传统单一的ELM、SVM和BP模型进行对比分析。结果表明:基于改进的GA-ELM模型能有效降低数据冗余、简化网络结构和提高判别精度,提出将其运用到煤与瓦斯突出的预测与实际结果具有很好的一致性。

基于信息熵和GA-ELM的调制识别算法

针对当前通信信号调制识别算法在低信噪比(signal-to-noise ratio,SNR)下识别率低、训练速度慢、识别调制类型少的问题,提出了基于信息熵特征和遗传算法超限学习机(genetic algorithmextreme learning machine,GA-ELM)的调制识别算法。首先,提取信号的4种熵特征:奇异谱香农熵、奇异谱指数熵、功率谱香农熵和功率谱指数熵作为调制识别的特征参数;其次,采用GA-ELM作为分类器。仿真实验表明,对11种模拟、数字调制信号进行分类识别,在SNR大于4 dB时算法的总体识别率均超过98%,同时该算法训练速度快,识别系统设计简单,具有较大的应用价值。

基于GA-ELM的通信干扰效果在线评估方法研究

针对传统的通信对抗干扰效果评估方法无法在战时进行实时评估的问题,提出一种基于GA-ELM的在线评估方法。以Link-16为干扰研究对象,首先分析选取其抗干扰行为参数,建立样本库,之后利用极限学习机(ELM)对样本参数进行分类学习,同时使用改进的遗传算法(GA)优化ELM,得到GA-ELM模型。实验结果表示,使用GA-ELM在线评估方法,以抗干扰行为参数为依据,能够得出干扰效果在线评估结果。新方法克服了传统方法无法应用于战时的缺点,更加贴近实战。

基于GA-ELM的稀土混合溶液多组分含量预测

针对稀土萃取液中有颜色特征和无颜色特征的离子在共存工况下组分含量难以快速检测的问题,提出一种基于遗传算法(GA)-极限学习机(ELM)的多组分含量预测方法。确定稀土萃取槽体混合溶液图像特性和描述图像信息的H、S颜色特征分量,利用ELM速度快、泛化能力强的优点,建立基于颜色特征的多组分含量模型,鉴于传统ELM模型初始权值和阈值的随机性易影响模型性能,使用GA对初始值进行优化确定。基于CePr/Nd萃取溶液样本数据的实验结果表明,与ELM、BP、LSSVM以及GA-BP、PSO-ELM等算法相比,该方法具有较高的预测精度且稳定性较好,可为稀土萃取现场快速获取多组分含量值提供技术支撑。

基于KPCA-GA-ELM的海底管道外腐蚀速率预测技术

为了掌握海底管道外腐蚀情况,保证管道的安全运行,对海洋环境腐蚀因素进行了梳理,确定了8种影响海底管道外腐蚀速率的主要因素,通过核主成分分析(kernel principal components analysis,KPCA)对影响因素进行优选,并将优选后的样本放入极限学习机(extreme learning machine,ELM)进行训练,以影响因素为输入,腐蚀速率为输出,采用改进的遗传算法(genetic algorithm,GA)对ELM的输入权值和隐含层偏差进行优化。结果表明,KPCA-GA-ELM模型最大相对误差2.43%,MSE和MAPE分别为0.14833和1.15,与其余三种模型相比,预测精度最高。研究结果可为提高海底管道完整性管理水平提供技术支持。

基于GA-ELM的铝合金压铸件晶粒尺寸预测

为提高铝合金压铸件晶粒尺寸预测的效率和准确率,应用遗传算法-极限学习机(GA-ELM)模型预测晶粒尺寸。ELM的输入层权值矩阵及隐含层阈值矩阵具有随机性,通过GA算法对ELM的输入层权值矩阵和隐含层阈值矩阵进行优化,建立GA-ELM模型。以晶粒尺寸作为输出参数,相关压铸工艺参数作为输入参数,通过压铸生产实验及金相测量获得相应数据,对GA-ELM模型进行实例分析,并与同样使用遗传算法优化的GA-BP神经网络模型和原始ELM模型预测结果进行对比。最后,通过金相组织测量实验验证GA-ELM模型预测结果的可靠性。结果表明,利用GA-ELM模型预测铝合金压铸件晶粒尺寸具有较高的预测精度及预测效率,与其它算法相比,具有一定的优越性。

基于GA-ELM的钛合金叶片精锻成形过程的模具磨损分析与预测

为提高对钛合金叶片精锻过程中模具磨损量分析的效率和准确率,以TC11钛合金叶片精锻成形过程为研究对象,通过有限元分析软件Deform-3D进行数值模拟,结合修正的Archard磨损模型情况建立了叶片精锻过程的模具磨损样本数据,应用遗传算法-极限学习机(GA-ELM)模型预测模具磨损量。以模具磨损量作为输出参数,以相关的叶片精锻工艺参数作为输入参数,对模具磨损量进行预测;并结合遗传算法优化的GA-BP神经网络模型、原始ELM模型的预测结果进行对比。最后,通过Deform有限元软件分析的模具磨损量验证了GA-ELM模型预测结果的精度和可靠性。结果表明,利用GA-ELM模型预测的模具磨损量具有较高的精度,与其他算法相比具有优越性。