基于WPT-ISO-RELM模型的月径流时间序列预测研究

为提高月径流时间序列的预测精度,提升基本蛇群优化(SO)算法搜索能力,同时提升正则化极限学习机(RELM)预测性能,提出了小波包变换(WPT)-改进蛇群优化(ISO)算法-RELM预测模型。首先,利用WPT将月径流时间序列分解为低频分量和高频分量;其次,通过构建8个RELM超参数寻优适应度函数对ISO寻优能力进行检验,并与SO算法、灰狼优化(GWO)算法、变色龙群算法(CSA)、鲸鱼优化算法(WOA)、樽海鞘群体算法(SSA)、侏獴优化算法(DMO)、粒子群优化算法(PSO)的优化结果作对比;最后,建立WPT-ISO-RELM模型,并构建包含WPT-SO-RELM在内的17种模型作对比模型,通过黑河流域莺落峡水文站、讨赖河水文站2个月径流预测实例对各模型进行验证。结果表明:①ISO寻优精度优于SO、GWO、CSA、WOA、SSA、DMO、PSO,通过关键参数的改进,能有效提升ISO的极值寻优能力和平衡能力;②WPT-ISO-RELM模型对莺落峡水文站、讨赖河水文站月径流预测的平均绝对百分比误差分别为0.854%、0.447%,平均绝对误差分别为0.245、0.068 m^(3)/s,纳什效率系数均在0.9999以上,优于其他对比模型,具有更高的预测精度和更好的稳健性;③ISO对于高维和低维问题均具有较好的优化效果,算法寻优能力对提升RELM预测精度十分关键,算法优化性能越强,寻优精度越高,由此获得的RELM超参数越优,所构建的模型预测性能越好。

基于LDA-IBES-RELM的光伏阵列故障诊断方法

针对光伏阵列故障诊断准确率偏低的问题,提出了一种基于改进秃鹰搜索算法(IBES)优化正则化极限学习机(RELM)的故障诊断方法。首先在Simulink建立光伏阵列仿真模型,模拟典型故障并提取故障特征数据,同时利用线性判别分析(LDA)对特征量降维作为故障诊断模型的输入;其次利用Logistic混沌映射、Levy飞行策略和柯西高斯变异扰动策略对秃鹰算法进行改进;最后将IBES用于对RELM的隐层参数寻优。实验结果表明:LDA-IBES-RELM模型与BES-RELM、IBES-RELM模型对比,得到的故障诊断准确率为97.71%,优于其他两种模型,验证了LDA-IBESRELM模型用于光伏阵列故障诊断的有效性和实用性。

基于CEEMDAN多尺度排列熵和SO-RELM的高压隔膜泵单向阀故障诊断

高压隔膜泵单向阀受负载、摩擦和冲击等因素的影响,运行产生的振动信号具有非平稳、非线性的特点,为了从振动信号中提取设备的非线性动力学特征,将多尺度排列熵(multi-scale permutation entropy, MPE)引入高压隔膜泵单向阀故障诊断研究。提取振动信号多尺度排列熵特征,用于建立结构优化正则化极限学习机(structure optimization regularized extreme learning machine, SO-RELM)故障诊断模型,模型利用K-means优化RELM结构,提高模型识别精确度及稳定性。首先采用自适应噪声完备经验模态分解(complementary ensemble empirical mode decomposition with adaptive noise, CEEMDAN)将高压隔膜泵单向阀振动信号自适应分解为多个固有模态分量(intrinsic mode function, IMF),以相关系数为指标,优选包含故障特征信息丰富的分量;然后,计算IMFs的多尺度排列熵值,提取信号的非线性动力学特征;最后,基于多尺度排列熵,建立基于SO-RELM的故障诊断模型。试验结果表明,CEEMDAN多尺度排列熵能够准确表征高压隔膜泵单向阀运行状态的非线性动力学特征,基于CEEMDAN多尺度排列熵建立的SO-RELM故障模型,能够有效识别高压隔膜泵单向阀工况类型,准确率达98.89%。

WPT-FLA-RELM模型的马鹿塘水电站入库日径流多步预测

为提高水电站入库径流多步预测精度,精准调控发电用水量,基于小波包变换(WPT)数据分解方法,菲克定律优化(FLA)算法、正则化极限学习机(RELM),提出WPT-FLA-RELM预测模型,并将其应用于云南省马鹿塘水电站入库日径流多步预测.首先利用WPT将水电站入库日径流时间序列分解为1个周期项分量和3个波动项分量;然后利用FLA及遗传算法(GA)、粒子群优化(PSO)算法优化RELM输入层权值和隐含层偏差(超参数);最后利用优化获得的最佳超参数建立WPT-FLA-RELM及WPT-GA-RELM、WPT-PSO-RELM模型对入库日径流周期项及波动项分量进行预测,重构后得到最终预测结果,并构建WPT-FLA-极限学习机(ELM)、WPT-FLA-BP模型和未经优化的WPT-RELM模型作对比分析模型.

基于mRMR和MA-RELM的火电厂出口SO_(2)质量浓度预测

提出一种基于最大相关最小冗余(mRMR)算法和蜉蝣算法优化正则化极限学习机(MA-RELM)的出口SO_(2)质量浓度预测模型。通过机理分析确定初始输入变量,利用改进的时延分析方法对初始输入变量进行时延补偿,采用mRMR算法对各个初始输入变量进行重要性排序,搭建正则化极限学习机(RELM)预测模型,并利用蜉蝣算法确定模型参数。结果表明:与最小二乘支持向量机(LSSVM)、长短期记忆网络(LSTM)和极限学习机(ELM)相比,RELM预测模型的均方根误差分别降低了36%、38%和26%;与粒子群算法(PSO)和灰狼算法(GWO)寻优后的模型相比,MA-RELM预测模型误差最低,该模型能够对出口SO_(2)质量浓度进行准确预测。

RELMɑ/FIZZ1信号通路对载脂蛋白E基因敲除小鼠动脉粥样硬化斑块内血管新生的影响

目的探讨类抵抗素分子ɑ或炎症区域分子1(RELMɑ/FIZZ1)对载脂蛋白E(ApoE)基因敲除小鼠动脉粥样硬化斑块稳定性及血管新生的影响及其信号通路。方法 8周龄C57BL/6J ApoE基因敲除鼠20只,喂食高脂饲料12周后随机分为模型组及RELMɑ/FIZZ1组,另选10只C57BL/6J野生型小鼠作为对照组;RELMɑ/FIZZ1组于尾部血管注射重组RELMɑ/FIZZ1干预2周后结束实验。取小鼠主动脉制备石蜡包埋切片,进行HE染色,利用图像软件定量测量斑块面积、血管横截面积及校正斑块面积,采用免疫组织化学染色测定主动脉血管壁RELMɑ/FIZZ1及CD34阳性反应强度。提取主动脉RNA,采用全基因表达谱筛选出显著表达差异的基因和发生变化的细胞通路。结果与对照组相比,模型组动脉粥样硬化明显,斑块面积增加,粥样硬化斑块内RELMɑ/FIZZ1表达明显。RELMɑ/FIZZ1刺激后RELMɑ/FIZZ1及CD34阳性反应强度增强,校正斑块面积比模型组显著性增加(31.58%±6.65%比24.16%±3.59%,P<0.01),明显刺激血管新生(P<0.05)。相对于对照组,RELMɑ/FIZZ1组有显著性上调基因391个,下调基因465个;活性显著性上调信号通路12条,活性显著性下调信号通路10条,共计22条。结论 RELMɑ/FIZZ1刺激血管新生,造成粥样斑块不稳定,其机制与Atg9a、Gng8等基因显著性表达及细胞肌动蛋白骨架调节通路、缝隙连接信号通路的激活密切相关。

结肠特异性基因RELMβ的克隆及其真核表达载体构建

目的:观察克隆小鼠结肠特异性基因RELMβ,并构建其真核表达载体.方法:采用Western blot、Northern blot方法检测RELMβ基因在小鼠不同脏器中的表达;从小鼠结肠组织中提取总RNA,采用逆转录聚合酶链反应(RT-PCR)扩增RELMβ全长cDNA,克隆至T载体后进行核酸序列分析,并将其正向插入到真核表达载体pcDNA3.1/Zeo(+)的限制性内切酶位点EcoR I:重组子在阳离子脂质体Lipofectamine 2000的介导下瞬时转染小鼠胚胎纤维母细胞NIH/3T3、结肠癌细胞系CT26,Western blot及RT-PCR法检测细胞RELMβ表达水平.结果:RELMβmRNA和蛋白特异表达于小鼠结肠,而其他脏器未见表达.成功克隆了小鼠RELMβ全长cDNA(318 bp),与已报道序列的同源性高达99%,获得GenBank登录号DQ157777.真核表达载体pcDNA3.1-RELMβ转染细胞后,细胞内RELMβmRNA和蛋白水平均显著增高(P<0.01).结论:从小鼠结肠组织中克隆出RELMβ特异性表达基因,为深入研究RELMβ基因的生物学作用及其在结肠疾病靶向治疗中的作用奠定了基础.

基于MCS-RELM安全模型的虚拟桌面云系统设计

虚拟桌面云作为云计算的典型应用不断被部署到各个高校,然而现有的虚拟桌面云系统存在安全预警性不高、管理形式比较松散、云服务器易受攻击等不足。本文将一种基于改进布谷鸟搜索算法和正则极限学习机相融合的网络安全态势预测模型(MCS-RELM)应用到云安全防护系统中,然后采用开源技术QEMU的整体框架和KVM虚拟化技术开发了虚拟桌面云系统。在校园环境中部署后,与部分已有桌面云系统比对测试,测试结果表明文章提出的基于MCS-RELM安全模型的虚拟桌面云系统能有效提高网络安全预警性,网络安全测试误差有效降低,系统安全性更高。

RELMα/FIZZ1信号通路对血管新生影响的细胞学研究

目的:探讨类抵抗素分子α/炎症区域分子1(RELMα/FIZZ1)对小鼠主动脉血管平滑肌细胞MOVAS Ca^(2+)/CaM信号通路的调控及小鼠主动脉内皮细胞(MAEC)管腔形成能力的影响。方法:将离体培养的MAEC分为p GSadeno-HK组、p GSadeno-RELMα/FIZZ1组、p GSadeno-sh RNA control组和p GSadeno-sh RNA RELMα/FIZZ1组,MTT法检测细胞活力的变化,基质胶管腔形成实验检测血管生成情况;同时将离体培养的MOVAS细胞分为p GSadeno-HK组、p GSadeno-RELMα/FIZZ1组、p GSadeno-sh RNA control组和p GSadeno-sh RNA RELMα/FIZZ1组,MTT法检测MOVAS的细胞活力变化,Fluo-3 AM钙离子荧光探针和流式细胞术检测细胞内的Ca^(2+)浓度,并用real-time PCR和Western blot检测钙调蛋白(Ca M)和肌球蛋白轻链激酶(MLCK)的m RNA和蛋白表达水平。结果:过表达RELMα/FIZZ1显著提高MAEC的细胞活力,管腔形成数目显著增加(P<0.05);干扰RELMα/FIZZ1的表达显著抑制MAEC的细胞活力和管腔形成(P<0.05)。过表达RELMα/FIZZ1显著促进MOVAS的细胞活力,细胞内Ca^(2+)平均荧光强度增强,Ca M和MLCK的m RNA和蛋白的表达水平均显著上调(P<0.05);干扰RELMα/FIZZ1的表达显著抑制MOVAS的细胞活力,细胞内Ca2+平均荧光强度降低,CaM和MLCK的m RNA和蛋白表达水平均显著下调(P<0.05)。结论:RELMα/FIZZ1信号通路参与血管管腔的生成,其机制可能是通过细胞内Ca2+浓度变化调节细胞内Ca M和MLCK的表达,进而对管腔相应功能产生影响。

湿润暴露疗法/湿润烧伤膏对大鼠慢性难愈合创面中RELM-α表达的影响

目的观察湿润暴露疗法/湿润烧伤膏(MEBT/MEBO)对大鼠慢性难愈合创面组织中抵抗素样分子α(RELM-α)表达的影响。方法将135只雄性大鼠随机分为5组,每组27只54个创面模型。慢创组、MEBO组、贝复济组建立全层皮肤缺损创面后立即肌肉注射醋酸氢化可的松注射液建立慢性难愈合创面,急创组不注射醋酸氢化可的松注射液,空白组仅备皮处理而不做任何创面损伤处理。慢创组和急创组创面局部涂生理盐水,MEBO组局部涂MEBO,贝复济组局部涂贝复济,均予无菌干纱布包扎固定,每天换药2次。观察各组创面愈合情况,计算各组干预后第3,7,14天的创面愈合率,采用Western blot和qRT-PCR技术检测第3,7,14天创面组织中RELM-α表达情况。结果干预后第7天,急创组、MEBO组、贝复济组局部见明显鲜红肉芽组织爬行,而慢创组肉芽灰暗;干预后第14天,急创组、MEBO组和贝复济组创面均可见表皮及毛发覆盖,局部干燥;慢创组局部肉芽灰暗、水肿,局部可见渗出液。干预后第7天和第14天,急创组、MEBO组和贝复济组创面愈合率均明显高于慢创组(P均<0.05)。干预后第3天开始,除空白组外,其余组创面组织中RELM-α蛋白和RELM-αmRNA表达水平均逐渐升高(P均<0.05),但MEBO组、贝复济组RELM-α蛋白和RELM-αmRNA表达水平均明显低于同期慢创组(P均<0.05),MEBO组与贝复济组比较差异均无统计学意义(P均>0.05)。结论MEBT/MEBO促进慢性创面愈合机制可能与调控RELM-α动态表达从而调节成纤维细胞沉积和新生血管再生有关。

基于SSA-RELM的S Zorb装置在线产品预测及多目标操作优化分析

根据某炼油厂S Zorb装置的生产工艺和操作规范,用24个操作变量与精制汽油主产品的流量和硫含量的实际生产数据进行了相关性分析,压缩为10个操作变量后建立了基于Aspen Plus的生产过程机理模型;经随机抽样检验和灵敏度分析后,以原料进料流量和硫含量、加热炉进口温度、加氢石脑油进料流量、热分压力、热分温度、干气出装置温度、冷分温度为输入,精制汽油的流量、硫含量和氮含量为输出运行机理模型,拓展了装置的在线产品预测数据集;在此拓展数据集上,采用基于麻雀搜索算法的正则化极限学习机(SSA-RELM)建立了装置的在线产品预测数据驱动模型;最后以进料分区,将精制汽油流量、硫含量和氮含量为优化目标,给出了6个分区的在线操作最优化方案。

基于IHS_RELM的网络安全态势预测方法

针对网络安全态势感知中的态势预测问题,提出一种基于IHS_RELM的网络安全态势预测方法。对和声搜索算法的原理进行了研究,在此基础上提出一种改进的和声搜索算法。将正则极速学习机(RELM)嵌入到改进的和声搜索算法(IHS)的目标函数计算过程中,利用IHS算法的全局搜索能力来优化选取RELM的输入权值和隐含层阈值,在一定程度上提升了RLLM的学习能力和泛化能力。仿真实验表明,与已有的其他预测方法相比,该方法具有更好的预测效果。

改进RELM在多变量解耦控制中的应用

针对神经网络逆系统方法实现复杂非线性系统解耦存在训练时间长、实时控制较差的缺陷,提出一种改进的RELM(正则极限学习机)训练算法,根据输出权值的特点,采用不带平方根的乔累斯基分解,提高了计算效率,减少了训练时间,具有较高的学习精度及更好的泛化能力;进一步将此神经网络应用到3输入3输出多变量离散系统的解耦控制,仿真实验结果表明,所提出的方法具有较快的实时控制速度,具有较高的实用价值.

RELMβ、JAM-A、Kif2c蛋白表达水平与非小细胞肺癌患者病理分期的相关性研究

目的探讨RELMβ、JAM-A、Kif2c蛋白表达水平与非小细胞肺癌(NSCLC)患者病理分期的相关性。方法选取2014年10月-2017年7月我院92例NSCLC患者,术中切取NSCLC病灶组织设为研究组,另切取周边正常组织设为对照组,测定RELMβ、JAM-A、Kif2c蛋白表达水平。统计对比两组及不同病理分期NSCLC患者RELMβ、JAM-A、Kif2c蛋白表达水平,并分析RELMβ、JAM-A、Kif2c蛋白表达水平与NSCLC病理分期相关性。结果研究组RELMβ、JAM-A、Kif2c蛋白表达水平较对照组高,差异均有统计学意义(P<0.05);Ⅰ期、Ⅱ期、Ⅲ期、Ⅳ期NSCLC患者RELMβ、JAM-A、Kif2c蛋白表达水平比较,差异均有统计学意义(P<0.05);Spearman检验证实RELMβ、JAM-A、Kif2c蛋白表达水平与NSCLC病理分期均存在明显正相关关系(P<0.05)。结论 NSCLC患者RELMβ、JAM-A、Kif2c蛋白表达水平异常增高,且其与疾病病理分期存在正相关关系,可通过检测其表达水平对NSCLC进行疾病诊断及病理分期评估。

RELMα对动脉粥样硬化清道夫受体表达的影响

目的探讨抵抗素样分子α（RELMα）对与动脉粥样硬化密切相关的巨噬细胞清道夫受体CD36以及平滑肌细胞清道夫受体A（SR-A）表达的影响。方法体外培养巨噬细胞以及平滑肌细胞，用氧化低密度脂蛋白（ox-LDL）I）2及终浓度分别为3 × 10^-6mmol／L，9 × 10^-6mmol/L，2．7 × 10^-5mmol／L的RELMα刺激培养的细胞，24h后收集细胞，用流式细胞仪测定巨噬细胞清道夫受体CD36以及平滑肌细胞SR．A表达。结果OX．LDL明显促进巨噬细胞CD36表达，重组RELMα不影响OX-LDL诱导的体外培养的巨噬细胞清道夫受体CD36的表达，重组RELMα能明显促进OX．LDL诱导的平滑肌细胞SR-A表达（与对照组比较，P〈0．01）。结论RELMa不影响OX．LDL诱导的巨噬细胞清道夫受体CD36的表达，但能促进OX．LDL诱导的平滑肌细胞SR-A表达，提示RELMα可能通过促进SR．A表达从而促进动脉粥样硬化进展。

基于Fisher判别和GKF-RELM算法的多特征步态模式识别

为提高下肢表面肌电信号步态识别的识别精度和计算效率,采用一种基于高斯核函数优化正则化超限学习机(GKF-RELM)算法,对肌电信号提取时域、频域和非线性动力学三类特征并分别计算步态识别率,运用Fisher判别函数分析所提特征的可分性,得到多类特征的融合特征作为输入数据对分类器进行训练,再用训练好的分类器进行步态识别,从识别率和计算时间两方面,分别与支持向量机(SVM)和深度神经网络(DNN)方法进行了对比分析.结果表明,基于Fisher判别可分性指标确定的多类特征组合,能得到最优识别效果,并在提高分类精度的同时,优化了计算效率.此外,GKF-RELM方法的识别率也优于传统的ELM方法.

RELMs家族的相关研究进展

抵抗素样分子家族(RELMs)是一类富含半胱氨酸的分泌蛋白家族,自2000年被Steppan等发现以来,已经相继有4个啮齿类动物亚型成员、2个人类亚型成员被证实。诸多研究表明RELMs家族与炎症反应、胰岛素抵抗、肺纤维化、血管重塑、动脉粥样硬化斑块形成等有密切关系,其在多学科疾病的发生发展中均起重要作用。该文就RELMs家族的结构以及在不同疾病中的主要功能及其调控机制作一综述。

基于SDAE与RELM的EEG情感识别方法

针对情感识别中堆叠式自动编码器存在反向传播方法收敛速度慢和容易陷入局部最优的问题,提出一种基于堆叠式降噪自动编码器(SDAE)和正则化极限学习机(RELM)的情感状态识别方法。从脑电信号的时域、频域和时频域中提取表征情感状态的初始特征,使用SDAE进行无监督特征学习,提取初始特征的高层抽象表示。在网络的回归层,使用RELM进行情感分类。在DEAP数据集上的实验结果表明,与SDAE以及DT、KNN等传统基于机器学习的方法相比,该方法在实时性、准确性和泛化性能等方面均有明显提升。

抵抗素样Relmβ分子研究进展

Relmβ亦称发现于炎症带2(found in inflammatory zone2,FIZZ2),是一种富含半胱氨酸的分泌蛋白。目前的研究表明,Relmβ在许多方面发挥着非常重要的作用,包括胰岛素抵抗,抵制肠腔寄生线虫的感染,预测胃肠道肿瘤的发生,促进小鼠结肠炎和回肠炎模型中的炎症反应,诱导肺部纤维化、缺氧肺血管的重建,促进气道重塑等。通过对Relmβ分子的结构、表达分布、生物学功能的研究进展进行归纳,为Relmβ分子在生物学和医学方面更深入的研究提供参考。

基于PSO-RELM的绞吸挖泥船产量预测及其可视化辅助决策

为保证绞吸挖泥船的疏浚效率,泥浆产量预测是一种有效的辅助手段。根据绞吸挖泥船的实际作业数据,进行数据预处理与主成分分析(PCA),从而简化了预测模型的复杂程度。然后,采用粒子群优化的正则化极限学习机(PSO-RELM)建立挖泥船瞬时产量预测模型。预测结果表明:PSO-RELM相较于常规极限学习机有更好泛化性能,能够提高挖泥船瞬时产量的预测精度。从而生成可视化图表,辅助挖泥船操纵人员调整疏浚策略。