关键词： 地震   砂土液化   天牛须算法   极限学习机  

摘要： 为科学有效地预测砂土地震液化,采用唐山地区64组砂土地震液化实例,利用天牛须算法(Beetle Antennae Search Algorithm,BAS)和优化极限学习机(Extreme Learning Machine,ELM)的连接权值和阈值,建立基于BASELM的砂土地震液化预测模型。选取50个砂土液化实例训练模型的稳定性和有效性,并对剩余14个样本进行模型验证。结果表明:BAS-ELM模型的预测结果与实际值拟合度更高,其平均绝对误差、平均绝对百分误差及均方根误差分别为12%、5.667%和1.7%,均优于ELM模型,具有较好的预测精度。

关键词： 香芋皮改性膳食纤维   响应面法   极限学习机   算法优化   预测  

摘要： 在响应面法的基础上,收集所有实验数据,包括工艺参数和NO_(2)^(-)吸附量。对数据进行预处理,选择合适的输入变量(料液比、盐酸浓度、反应温度和反应时间),使用训练数据建立初始ELM模型。采用遗传算法(GA)、粒子群优化算法(PSO)、麻雀搜索算法(SSA)、灰狼优化算法(GWO)和海鸥算法(SOA)对ELM进行优化。使用训练数据集对优化后的ELM模型进行训练。使用测试数据集对模型进行验证,评估模型的性能指标。结果显示,5种优化后的ELM模型在各项性能指标上均优于初始ELM模型。在5种优化算法中,SSA-ELM模型表现最为显著,其绝对误差(MAE)、均方误差(MSE)、均方误差根(RMSE)、平均绝对百分比误差(MAPE)分别为0.023498、0.0007391、0.027186和0.037267%,是所有优化算法测试模型中最低值。在测试模型中,原始ELM模型的R^(2)为0.013291,而GA-ELM、PSO-ELM、SSA-ELM、GWO-ELM和SOA-ELM模型的R^(2)分别0.86709、0.98016、0.99971、0.99998和0.99969。这表明5种优化ELM模型具有更高的拟合度、更好的泛化能力和稳定性,且相对于原始ELM模型,R^(2)值有显著提升。优化后的ELM模型,可以快速、准确地预测不同工艺条件下香芋皮改性膳食纤维的NO_(2)^(-)吸附量,减少实验成本和时间,提高生产效率和产品质量,为实际应用提供可靠的预测工具。

关键词： 径流预测   孪生极限学习机   合作搜索算法   面雨量因子  

摘要： 为提高径流预测精度,以孪生极限学习机(TELM)为预测模型,引入面雨量因子;通过增加动态扰动、搜索均衡算子等方法对合作搜索算法(CSA)进行改进得到了改进合作搜索算法(ICSA),以提高算法的全局寻优能力,建立了耦合改进合作搜索算法和孪生极限学习机的径流预测模型(TELM-ICSA)。同时,以福建省池潭水库为例,将TELM-ICSA与孪生极限学习机(TELM)、极限学习机(ELM)、长短期记忆神经网络(LSTM)、最小二乘支持向量机(LSSVR)等模型进行了对比验证。结果表明:与不考虑前期面雨量的情况相比,考虑前期面雨量的情况下,TELM-ICSA模型对RMSE,MAPE,R,NSE 4项评价指标的平均改善率为27.60%。与不考虑当天预报信息的情况相比,考虑当天降雨预报信息的情况下,4项评价指标的平均改善率为8.47%。面雨量因子对模型效果的改进程度具有一定提高作用。无论是否考虑引入面雨量因子,ICSA-TELM预测能力均好于对比模型,拟合度更高,预测误差较小,具有良好的鲁棒性和可靠性。

关键词： 钢轨热处理   灰狼优化算法   深度极限学习机   性能参数预测  

摘要： 为了研究钢轨的化学成分、入口温度、环境温度,以及风冷时风压、风速等参数对热处理钢轨性能的综合影响,进一步解决钢轨热处理后设定精度低的难题,开发了一种基于灰狼算法优化深度极限学习机(grey wolf optimization deep extreme learning machine,GWO-DELM)的钢轨热处理性能预测模型.先采用深度极限学习机(DELM)构建出工艺模型,而后,针对深度极限学习机中初始权值随机确定而引起的预测结果准确度较低的问题,利用灰狼优化算法(GWO)对初始权值进一步确定.结果表明:该模型在预测不同规格钢轨的抗拉强度时,95.80%以上样本点的预测误差集中在-20~20 MPa,在预测踏面布氏硬度时,95.73%以上样本点的预测误差集中在-8~8;与传统模型相比,GWO-DELM具有更优异的预测精度及泛化能力,可应用在热轧钢轨风冷处理的性能预测上,为热处理参数的选择提供参考.

关键词： 轴承钢   磨损   预测   改进蜣螂算法   核极限学习机  

摘要： 提出改进蜣螂算法优化核极限学习机,可以用于预测GCr15轴承钢的磨损量。对热处理后GCr15轴承钢的性能进行分析,试样组织主要由马氏体、碳化物、残留奥氏体组成,盐浴后出现贝氏体。试样整体硬度逐渐降低,磨损量逐渐增大,磨损机制主要为磨粒磨损。采用切比雪夫混沌映射、黄金正弦策略、动态权重策略改进蜣螂算法,并优化核极限学习机,建立预测模型。选择载荷、转速、润滑条件、热处理工艺四个特征量作为输入量,将磨损量作为输出量,并与其他相关预测方法进行对比。试验表明,改进蜣螂算法优化核极限学习机的预测精度达到97.3%,优于其他相关预测方法,具有有效性和优越性。

关键词： 自适应噪声完备集合经验模态分解(CEEMDAN)   样本熵   深度学习   滑坡位移预测  

摘要： 本文构建了一个融合时间序列分解与分量重组的滑坡深度学习组合预测模型。首先,利用孤立森林算法剔除监测数据中的粗差点,分析数据的平稳性、自相关性以及正态分布特征;其次,引入自适应噪声完备集合经验模态分解方法(CEEMDAN),将滑坡监测数据精细分解为多个独立的时序分量;最后,针对不同频段分量制定预测模型,重构预测结果。基于北斗卫星系统(BDS)/全球导航卫星系统(GNSS)系统采集的滑坡体数据样本进行实验,结果表明,较单一模型、分解模型,本文提出组合预测模型的R^(2)值分别提升了60.66%、50.77%,均方根误差(RMSE)S_(RMSE)分别降低了95.42%、94.39%,平均绝对误差(MAE)S_(MAE)分别降低了95.69%、96.74%。

关键词： 极限学习机   改进萤火虫算法   多任务学习   变量选择   小波变换   负荷预测  

摘要： 在超短期电力负荷分析过程中,通过简单极限学习机完成负荷预测,所涉及的初始权值和阈值都是随机产生的,使得负荷预测结果均方根误差(RMSE)较大,因此,提出结合优化极限学习机与多任务学习的超短期负荷预测方法。依托于多任务学习思想构建负荷特征选取模型,从大量负荷自身变化特征、外部影响因素特征中筛选出最优特征。根据特征筛选结果采集数据建立负荷序列,运用小波变换算法完成原始信号的分解和重构,实现负荷序列降噪处理。应用包含个体变异机制的改进萤火虫算法,求解极限学习机的最优参数,生成优化极限学习机。以优化极限学习机为基础构建负荷预测模型,输入降噪负荷序列进行不断学习,即可输出超短期负荷预测值。实验结果表明,新设计方法预测出的超短期负荷RMSE值低于0.1,证明了其可以准确描述电力系统未来短时间内的负荷状态。

关键词： 机械装备   浣熊优化算法   并行极限学习机   预测   故障诊断  

摘要： 本研究提出了一种基于改进浣熊优化算法的并行极限学习机机械装备故障诊断与预测方法。针对并行极限学习机在故障诊断中存在的收敛速度慢、易陷入局部最优等问题,提出一种改进浣熊算法方案,并对并行极限学习机参数进行优化。通过多组对比实验,从诊断准确率、预测精度、收敛速度和鲁棒性等方面验证了所提出方法的优越性。实验结果表明,ICOA优化后的并行极限学习机模型在CWRU轴承数据集上的诊断准确率达到99.6%,在加入不同程度的干扰的情况下,ICOA优化后的并行极限学习具备较强的鲁棒性,显著优于传统优化方法。This study proposes a mechanical equipment fault diagnosis and prediction method based on an improved Coati Optimization Algorithm (ICOA)-enhanced parallel extreme learning machine (PELM). To address issues such as slow convergence and susceptibility to local optima in fault diagnosis using parallel ELM, an improved Coati Optimization Algorithm scheme is introduced to optimize the parameters of the parallel ELM. Through multiple comparative experiments, the superiority of the proposed method is validated in terms of diagnostic accuracy, prediction precision, convergence speed, and robustness. Experimental results demonstrate that the ICOA-optimized parallel ELM model achieves a diagnostic accuracy of 99.6% on the CWRU bearing dataset. Furthermore, under varying levels of interference, the ICOA-optimized parallel ELM exhibits strong robustness, significantly outperforming traditional optimization methods.

关键词： 滑坡位移预测   集合经验模态分解   样本熵   深度神经网络   时间卷积网络  

摘要： 在对滑坡监测数据粗差进行有效处理及充分顾及滑坡监测数据自身特性的基础上,提出一种结合时序分解与相似分量重组的深度学习滑坡位移组合预测模型.首先,利用孤立森林法对滑坡时序监测数据的显著粗差进行处理,再对其平稳性、自相关性、正态性进行综合分析,确定模型预测中输入特征序列的最佳长度;其次,利用集合经验模态分解(EEMD)方法,将非稳态滑坡监测数据分解为多个平稳时间序列,再结合样本熵与K-means算法将其划分为高频、中频、低频3类时间分量;最后,通过对比不同神经网络模型的预测精度,分别构建适合于3类时间分量的预测模型,再将预测结果相叠加,实现对滑坡位移的高精度预测.实验区典型滑坡体北斗/GNSS监测数据测试表明,本文组合预测模型对含有显著粗差的滑坡监测数据具有较好的适用性,相较于单一及现有组合模型可显著提高滑坡位移预测精度.

关键词： 光伏功率预测   极限学习机   粒子群优化算法   集合经验模态分解   光伏发电  

摘要： 针对目前光伏发电站功率预测方法的效率和精度较低的问题,研究提出利用粒子群优化算法来对极限学习机的初始参数进行优化,并在此基础上搭建光伏功率预测模型。结果表明,所提基于盒维数的集合经验模态分解算法的完整性指数为1.56 MW,分解时间为6.83 s,整体正交指数为0.09。所提光伏功率预测模型的预测曲线与真实曲线的重合程度较高。实验结果证明了研究所提光伏功率预测模型的预测性能和所提基于盒维数的集合经验模态分解算法的信号分解性能,模态混叠的程度较低,误差较小。此外,所提改进粒子群优化算法和改进集合经验模态分解算法均能有效改善模型的功率预测精度。研究结果有助于提高光伏功率预测的精确性和效率,推动可再生能源的进步和应用。