关键词： 板形凸度   极限学习机   预测分析  

摘要： 针对热轧过程中存在多变量、非线性、强耦合、过程复杂等因素导致板形凸度预测精度低的问题，提出基于极限学习机的板带凸度预测方法。为验证方法的有效性，对武钢CSP厂轧制板带的凸度进行了预测研究，采用基于数据驱动的ELM方法，建立了带钢连轧生产过程中工艺参数和板带凸度之间的映射关系。预测结果表明，基于ELM预测模型能更好地对板带凸度进行预测分析，且凸度预测值绝对误差小于5μm，从而为热轧板带质量的提升奠定了良好的基础。

关键词： 铝合金   性能预测   机器学习   极限学习机  

摘要： 为探究极限学习机(ELM)预测模型在铝合金板带材力学性能预测上的可行性,在数据预处理的前提下,首先通过试验确定了极限学习机网络的最优参数,将最优的极限学习机网络应用于铝合金抗拉强度、屈服强度、伸长率的预测中。结果表明,在测试集上,极限学习机模型在抗拉强度、屈服强度、伸长率上的平均绝对百分比误差(M_(APE))分别为7.41%、14.09%、14.99%。极限学习机预测模型在铝合金板带材力学性能预测中具有可行性,且该预测模型针对抗拉强度的预测精度优于对屈服强度和伸长率的预测精度。

关键词： 均生函数   极限学习机   等权平均   降水  

摘要： 本文采用均生函数方法对降水序列进行延拓,以延拓矩阵作为自变量,原始降水序列作为因变量,通过变换极限学习机模型的不同参数,采用组合预测的等权平均法,建立集成极限学习机降水预测模型.本文对柳州市4月份降水数据建立预测模型,并与时间序列模型预测效果进行对比.实验证明,基于均生函数的集成极限学习机降水预测模型精度明显高于时间序列模型,为降水预测提供了一个有效的方法.

关键词： 水资源足迹   水资源承载力   水资源压力指数   IELM模型  

摘要： 鉴于水资源对城市发展至关重要,采用水生态足迹模型计算了2000~2019年成都市水生态足迹、生态承载力及生态压力指数;并运用IELM模型预测了2020年成都市水生态足迹、生态承载力及生态压力指数;分析了可能的影响因素和对策。研究表明,2000~2019年成都市水生态足迹总体介于685.50×10^(4)~1064.98×10^(4)hm^(2)之间,呈先上升后下降趋势。多年平均工业、农业、生活及生态水足迹分别占总水生态足迹的21.96%、52.49%、21.17%、5.64%。不同年份间的水生态承载能力差异显著,其中2018年的水生态承载力在20年内最高,为1656.48×10^(4)hm^(2);2015年最低,仅678.64×10^(4)hm^(2)。生态承载力受年降水量和自然灾害的影响较大。水生态压力指数介于0.56~1.28之间,部分年份大于1.1,说明水资源承载力在这20年内相对稳定。根据IELM模型,预计2020年的水资源生态足迹达897.10×10^(4)hm^(2),较2019年上升1.29%;承载力较2019年下降19.83%,降至1035.84×10^(4)hm^(2),压力指数较2019年上升26.56%,达0.867。该研究能对成都市水生态足迹作出合理预测,为政府部门制定水资源相关决策提供了参考。

关键词： 胸腺瘤   小波变换   卷积神经网络   极限学习机   集成学习  

摘要： 针对胸腺瘤患者术前危险程度的预测问题,提出了结合深度学习与改进的极限学习机的集成学习计算机辅助分析方法。首先,将胸腺瘤CT图像通过小波多尺度变换到不同的尺度下并计算小波能量图,以增加图像信息的丰富性和多样性;其次,利用小波能量图训练卷积神经网络模型,并利用卷积核提取小波能量图中与任务相关的特异性深度特征;最后,基于改进的极限学习机为基分类器训练具有差异性的子模型并构建集成学习分类模型,以提高模型的稳定性和预测精度。多中心实验结果表明,所提方法有较好的泛化性能和稳定性,3个验证集的AUC分别为0.833,0.771,0.784。

关键词： 短期负荷预测   集成学习   极限学习机   最小二乘支持向量机  

摘要： 针对传统的电力负荷预测模型存在的预测精度不高和泛化能力不强的问题,提出一种基于Stacking集成学习、极限学习机(ELM)和最小二乘支持向量机(LSSVM)的短期负荷预测方法。以Calinski-Harabasz指标确定最佳簇数,采用模糊C均值(FCM)聚类筛选相似日样本集合,优选并减小样本规模。在Stacking集成学习框架下,建立多个ELM初级预测模型,以LSSVM作为元学习器,对多个预测结果重新融合,构成综合预测系统。算例分析表明,提出的方法较单一的ELM预测模型和传统的结合策略具有良好的预测精度和泛化性。

关键词： 秃鹰搜索算法   特征选择   极限学习机   股票预测  

摘要： 近年来,股票价格预测受到学者的广泛关注。然而,股票市场中存在许多相互关联的因素,预测股票的价格是一项具有挑战性的任务,需要一个完整而高效的特征选择过程来确定包含信息量最大的特征因子,并使用科学的模型利用特征因子中包含的信息来达到准确预测的目的。基于此,文章提出基于秃鹰搜索算法的特征选择方法,并使用极限学习机挑选出来的特征构建股票价格预测模型来预测股票收盘价格,即基于秃鹰搜索算法和极限学习机的股票价格预测模型(BES-ELM)。为验证模型的优越性,文章从上证50挑选出5只股票,并计算其28个特征来作为样本数据。研究结果表明:相对基于粒子群算法的模型,文章提出的模型具有更明显的优越性。

关键词： 输沙量预测   极限学习机   战争策略优化算法   变色龙群算法   小波包变换   仿真测试  

摘要： 以云南省龙潭寨汛期与枯期输沙量时间序列预测为例,建立战争策略优化(WSO)算法、变色龙群算法(CSA)与极限学习机(ELM)相融合的组合模型。首先,在不同维度下选取4个基准函数对WSO、CSA进行仿真测试;其次,利用2层WPT将实例汛期与枯期输沙量时序数据分解为4个更具规律的子序列分量;最后,通过各分量训练样本构建ELM适应度函数,利用WSO、CSA对适应度函数进行寻优,利用寻优获得的最佳ELM超参数建立WPT-WSO-ELM、WPT-CSA-ELM模型对各子序列分量进行预测。将预测结果加和重构得到最终预测结果,并构建WPT-ELM模型及基于小波变换(WT)的WT-WSO-ELM、WT-CSA-ELM、WT-ELM模型作对比分析。对于基准函数及ELM适应度函数,WSO寻优效果优于CSA,具有较好的寻优精度及全局搜索能力;对汛期与枯期输沙量预测WPT-WSO-ELM模型预测精度优于WPT-CSA-ELM、WT-WSO-ELM、WT-CSA-ELM模型。

关键词： 煤与瓦斯突出   特征提取   自适应天牛须算法   极限学习机  

摘要： 为提高煤与瓦斯突出的预测精度、实现快速预测,提出了一种基于自适应天牛须搜索算法(ABAS)和极限学习机(ELM)的瓦斯突出预测模型ABAS-ELM。采用核主成分分析法(KPCA)对煤与瓦斯突出的高维、非线性特征进行提取,将提取后的主特征作为预测模型的输入,使用ABAS对ELM的输入权重和隐层偏差进行寻优,建立ABAS-ELM瓦斯突出预测模型,实现对瓦斯突出风险的预测。实验结果表明,与ELM、粒子群优化的极限学习机(PSO-ELM)和遗传算法优化的极限学习机(GA-ELM)预测模型相比,该方法在提高模型泛化能力和预测精度方面效果显著。