关键词： 光纤布喇格光栅   波长漂移   极限学习机   预测   泛化  

摘要： 针对光纤布喇格光栅(FBG)传感系统的中心波长漂移问题,提出一种基于极限学习机(ELM)的FBG波长漂移量预测和泛化方法。该方法通过构建中心波长与波长漂移量的映射关系训练神经网络,实现对波长漂移量的预测和泛化。实验结果表明:该方法对FBG波长漂移量的预测误差小于1 pm,泛化误差小于2 pm,为FBG传感系统的现场校准提供了有益的探索。

关键词： 柴油机   深度极限学习机(DELM)   不同工况   排放预测  

摘要： 准确预测拖拉机等柴油机械实际工况污染物排放在排放清单建立和区域污染物排放控制方面具有重要意义。基于拖拉机不同运行状态下发动机转速、油耗、燃烧比、CO、HC、NO_(x)和PM实测数据作为数据源,建立深度极限学习机(deep extreme learning machine,DELM)的预测模型,并对拖拉机怠速、行走和旋耕等基本工况下的污染物排放进行预测。为进一步评估DELM预测模型的适应性,将其与支持向量机(support vector machine,SVM)和反向传播(back propagation,BP)神经网络模型进行对比分析。结果表明:DELM模型在预测排放时间序列方面具有一定优势,其预测拖拉机在怠速、行走和旋耕3种状态下的NO_(x)、HC、CO和PM排放均方根误差均值分别为5.269×10^(-5)、5.195×10^(-5)、5.135×10^(-5)和2.795×10^(-5)。DELM模型与SVM和BP对比发现,DELM模型在鲁棒性以及适应性方面的优势显著。DELM方法的较高的准确度和泛化性,为基于发动机状态数据预测移动源尾气排放提供思路和方法。

关键词： 湿法脱硫   脱硫效率   极限学习机   预测  

摘要： 湿法脱硫系统脱硫效率影响因素众多,首先通过理论分析确定关键影响因素;其次将关键影响因素作为脱硫效率模型的输入量,结合极限学习机快速自学习模型建立脱硫效率的数据驱动预测模型;最后采用电厂实测数据进行模型训练与模型验证,结果表明该预测模型可较为准确地预测湿法脱硫系统的脱硫效率,对火电厂脱硫运行人员具有一定的指导意义。

关键词： 短时交通流预测   极限学习机   小波降噪   深度极限学习机   小波BP神经网络  

摘要： 为了克服非线性和强噪声特征对交通流短时预测准确度的影响,应用交通流预测模型获得更为准确的交通流信息是智能交通建设的关键环节。文中构建了小波降噪的深度极限学习机对城市道路的交通流量进行预测,并与原极限学习机和小波BP神经网络模型的预测效果进行比较。将实验城市一年中电子警察采集到的各路口五分钟车流量作为训练集,构建了极限学习机、基于小波降噪的深度极限学习机和小波BP神经网络模型,分别对各路口高峰时段车流量进行预测,采用三类误差分析指标刻画三种模型的预测效果。实验结果表明,小波降噪的深度极限学习机预测误差评价值MAPE为0.234%,MRE为0.0029,RSE为0.6999,其值均小于原极限学习机和小波BP神经网络的误差指标,有较好的预测效果,从而说明小波降噪的深度极限学习机对短时交通流预测的合理性和可行性,为短时交通流的预测提供了一种新的解决思路。

关键词： 塔式太阳能热发电   定日镜   粒子群优化   光斑偏移量   ELM算法   预测精度  

摘要： 为了提高定日镜反射光斑偏移量预测的准确度,保障定日镜的聚光效果,该文将时间点作为极限学习机(ELM)算法的输入量,并利用粒子群优化算法来优化ELM算法中的权值和阈值,建立基于改进ELM算法的定日镜反射光斑偏移量预测模型。以杭州某地所测的296组定日镜反射光斑偏移量样本数据为实例,运用Matlab进行仿真,并与BP算法和ELM算法的预测结果进行对比分析,分析结果表明,改进ELM算法的预测精度更高,可为定日镜反射光斑偏移量预测提供一种有效的方法,同时验证了改进ELM预测模型在降低定日镜反射光斑偏移量方面的可行性,给日后塔式定日镜跟踪误差的校正提供一种新的参考思路。

关键词： 面板堆石坝   改进粒子群-极限学习机(IPSO-ELM)   运行期   沉降预测模型  

摘要： 针对极限学习机(ELM)沉降预测模型中随机权值和阈值导致部分节点无效的问题,引入改进粒子群算法(IPSO)优化极限学习机的参数,构建基于改进粒子群-极限学习机算法的面板堆石坝运行期沉降预测模型,并将其应用于某完建的面板堆石坝运行期沉降预测中。结果表明,与未优化的极限学习机预测模型和统计回归预测模型的拟合预测结果相比,经改进粒子群算法优化后的极限学习机预测模型在测点上的拟合精度更高,且由于引入改进粒子群算法后,极限学习机在满足精度条件下所需预设的隐含层神经元数更少,这可极大地降低模型网络的复杂度,避免模型在训练中出现过拟合现象;三个模型中IPSO-ELM模型的泛化能力更好,预测结果更精确、稳定。

关键词： 城市交通   公交车辆   行程时间预测   极限学习机   人工蜂群算法  

摘要： 为提高城市公交车辆行程时间的预测精度,在分析历史数据和交通流变化特性基础上,提出了一种基于人工蜂群优化的极限学习机的组合预测模型(artificial bee colony-extreme learning machine,ABC-ELM)。首先,基于GPS等数据提取站间距离、时间周期及天气情况等动静态特征因素;其次,推算出公交车辆的站点停靠时间;接着,将人工蜂群优化算法(artificial bee colony algorithm,ABC)嵌入到传统极限学习机算法(extreme learning machine,ELM)中,以解决其在行程时间预测中收敛速度慢、初始权值和阈值选择困难的问题;最后,基于ABC-ELM算法预测公交车辆在目标路段的行程时间。以深圳市620路公交车的真实运营数据为基础进行方法验证。结果表明:与广泛采用的BP神经网络、SVM和ELM相比,本文方法在不同道路环境中均能保持较低的预测误差(RMSE误差:高峰/平峰为11.91/8.72,工作日/非工作日为11.46/9.54,晴天/雨天为10.83/12.31;决定系数R 2:高峰/平峰为0.87/0.92,工作日/非工作日为0.83/0.88,晴天/雨天为0.89/0.85),鲁棒性较强,更适用于复杂城市道路环境中的干线公交车辆的行程时间预测。

关键词： 食品安全   极限学习机   粒子群算法   贝叶斯网络   风险分析  

摘要： 为了改善食品安全风险预测领域中由于正负样本量差距较大导致对于少数类的样本预测结果不理想的问题,提出一种加权PSO-ELM和贝叶斯人工神经网络两阶段模型。在该模型中,首先通过加权PSO-ELM模型预测食品安全风险;然后,通过在预处理阶段选出的特征字段建立贝叶斯网络,找出各个属性中对食品不合格概率影响最大的属性值,进而对预测结果进行分析。所提出的模型在实际数据集上进行预测和分析,与相关工作相比,在预测准确率和可靠性方面取得有效的改进效果。

关键词： 航道维护   绞吸挖泥船   机器学习   数据挖掘   集成学习  

摘要： 针对绞吸挖泥船泥浆浓度γ测量仪具有辐射性,发生故障时现场不能检修,容易造成施工中断。文章提出了一种基于极限梯度提升树(XGBoost)集成学习的绞吸挖泥船泥浆浓度预测方法,研究表明XGBoost浓度预测模型的拟合优度为0.9532,均方根误差仅为1.423,预测效果较好。在挖泥船施工时即可利用XGBoost学习挖泥船施工数据,进而建立挖泥船泥浆浓度预测模型,实现泥浆浓度的实时预测,在γ浓度仪发生故障时可有效代替其工作,提高了挖泥船施工的连续性。

关键词： 轨迹预测   蝙蝠算法   核极限学习机   集成学习理论  

摘要： 为了提高目标轨迹预测的精度以及预测模型的泛化能力,提出基于改进蝙蝠算法优化的核极限学习机(Kernel Extreme Learning Machine,KELM)和集成学习理论目标机动轨迹预测模型。构建KELM模型,并采用改进的蝙蝠算法对KELM的参数进行优化;以优化后的KELM神经网络为弱预测器,结合集成学习算法生成强预测器,通过训练不断优化强预测的结构和参数,得到一种基于集成学习理论的目标机动轨迹预测模型;基于不同规模的样本,将所得预测模型与逆传播神经网络、支持向量机和极限学习机等模型进行对比分析。仿真结果表明:所提目标机动轨迹预测模型具有较好的预测精度和泛化能力。