关键词： 变形预测   极限学习机   线性模式求解   弹性网络  

摘要： 针对使用传统极限学习机实现大坝变形预测中,因影响因子复杂导致隐藏层个数难以确定的问题,该文提出一种基于极限学习机与弹性网络支持下的大坝变形预测模型。采用极限学习机算法,将大坝变形影响因子由原本的空间映射到极限学习机的特征空间,建立影响因子与变形结果之间的非线性联系,同时将非线性模型转换成一个线性模式求解问题,并使用弹性网络求解该模型。对比基于极限学习机回归与最小二乘回归算法的实验表明:弹性网络拥有更好的稳定性,改善了极限学习机难以处理的过拟合现象,减弱了因训练集样本不同造成的预测误差大的影响,只需任意设置足够数量的隐含层神经元个数就能得到可靠的预测结果,简化了基于极限学习机的大坝变形预测面临的隐含层神经元个数取舍问题。

关键词： 基坑   侧位移   极限学习   遗传算法  

摘要： 为实现基坑侧位移的准确预测,以极限学习机为基础,通过遗传算法和贝叶斯估计进行参数优化处理,以构建出适用于基坑侧位移预测的优化极限学习机模型。实例分析表明:通过不断递进的参数优化,能有效提高基坑侧位移的预测精度,所得预测结果的平均相对误差均小于2%,得出该文预测模型具有较高的预测精度,且预测结果还具有较强的稳定性,验证了该文优化极限学习机模型在基坑侧位移中的预测效果,为基坑侧位移变形预测提供了一种新的思路,值得进一步推广应用研究。

关键词： 光伏发电   预测   评估   改进鸟群算法   极限学习机  

摘要： 准确预测光伏发电系统的输出功率,可以帮助电网调度部门合理安排调度计划,并能够提高光伏发电场的发电效率。为此,文章首先提出了一种改进鸟群(IBSA)算法,并采用IBSA对极限学习机(ELM)进行优化,构建了性能良好的IBSA-ELM预测模型;然后,利用IBSA-ELM模型BSA-ELM模型和SVM模型对光伏发电系统输出功率进行预测,并采用均方根误差(RMSE)和决定系数(R2)对该模型的预测效果进行评估。分析结果表明:IBSA算法的收敛精度优于BSA算法;IBSA-ELM模型的预测精度优于BSA-ELM模型和SVM模型。

关键词： 养殖   水质   溶解氧预测   因子筛选   偏最小二乘法   ELM神经网络  

摘要： 为了有效地指导水产养殖生产,提高溶解氧浓度预测的精度,提出了基于因子筛选和改进极限学习机(Extreme Learning Machine,ELM)的水产养殖溶解氧预测模型。首先,利用皮尔森相关系数法计算各影响因子与溶解氧浓度间的相关系数,提取强关联因子,降低预测模型的输入量维度;采用偏最小二乘算法(Partial Least Square,PLS)优化传统ELM神经网络,避免网络中隐含层共线性问题,保障输出权值的稳定性;然后,结合新型激活函数,构建水体溶解氧浓度预测模型。最后,将SPLS-ELM(Selection Based Partial Least Square Optimized-Extreme Learning Machine)预测模型应用到江苏省无锡市南泉基地某试验池塘的水体溶解氧预测中。试验结果表明:该模型的预测均方根误差为0.3232 mg/L,与最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)、BP神经网络、粒子群(Particle Swarm Optimization,PSO)优化LSSVM和遗传算法(Genetic Algorithm,GA)优化BP神经网络相比分别降低40.98%、44.48%、34.73%和44.18%。且该模型的运行时间仅0.6231s,预测精度和运行效率明显优于其他模型。该模型的溶解氧预测曲线接近真实溶解氧变化曲线,能够满足水产养殖实际生产对水体溶解氧预测的要求。

关键词： 油中溶解气体   气体体积分数   集合经验模态分解   极限学习机   粒子群算法   固有模态函数  

摘要： 为准确估计变压器油中溶解气体体积分数的发展趋势,提出一种基于集合经验模态分解和极限学习机的油中溶解气体体积分数预测模型。首先,对原始油中溶解气体体积分数序列进行集合经验模态分解获得若干个子序列;其次,采用极限学习机算法对各个子序列分别建立不同的预测模型,并利用改进的粒子群算法对极限学习机相关参数进行优化,以提高预测精度;最后,通过叠加各子序列的预测结果得到最终的气体体积分数预测结果。研究结果表明:基于集合经验模态分解的改进粒子群极限学习机算法模型均方根误差为0.13,平均相对误差为0.502%,最大相对误差为1.914%,对比其他模型的预测效果可知,改进后的粒子群算法能够获得更优的极限学习机网络输入权值和隐层阈值,从而提高预测精度。仿真结果证明所提方法能够更好地反映油中溶解气体体积分数的变化趋势。

关键词： 瓦斯涌出量预测   时变序列   小波包分解   极限学习机   预测精度  

摘要： 针对煤矿瓦斯涌出量预测中经常出现变量难以获取等问题,为了提高瓦斯涌出量的预测精度和可靠性,提出将小波包分解方法与极限学习机相结合,构建瓦斯涌出量的小波-极限学习机时变预测模型。首先,通过小波包分解重构将瓦斯涌出量时变序列分解成高、低频率不同的分量,然后采用极限学习机对小波包分解重构后的时间序列进行预测,再叠加预测值,得到最终的预测结果。以山西天池煤矿某工作面瓦斯涌出量监测时序样本为例,为体现模型的优越性,设置2个对照模型,即小波-BP模型和未经小波处理的极限学习机模型。结果表明:该模型预测相对误差为0.42%~10.45%,平均相对误差仅为2.50%,小波-BP模型的预测相对误差为0.33%~7.33%,平均相对误差为3.42%,未经小波处理的极限学习机模型的预测相对误差为1.59%~13.09%,平均相对误差为4.25%,小波-极限学习机模型的预测精度和泛化能力均高于对照模型;小波包分解重构方法的引入能有效降低数据复杂度,大幅度提高预测精度,为瓦斯涌出量时变序列的预测提供了新的思路。

关键词： 极限学习机   数据处理   回归拟合   质量预测  

摘要： 在智能制造推动下,制造业对大数据的收集与特征分析愈加重视,数据分析技术更是大数据应用的关键技术,总结现有基于数据驱动的装配偏差控制方法,提出基于极限学习机建模的车身装配偏差预测控制方法,通过对检测数据的拟合建模,实现车身产品装配质量预测,并应用于制造生产线指导。文章应用极限学习机(Extreme Learning Machine,ELM)基于采集的车身前纵梁制造装配数据预测装配过程中的关键特征质量误差状态,从结果分析角度说明ELM准确预测误差状态。

关键词： 铝电解   电流效率   优化核极限学习机   剔除异常点  

摘要： 电流效率作为铝电解过程的重要参数,获得实时准确的测量结果对实现过程的有效控制至关重要。基于数据挖掘的思想,提出基于优化核极限学习机(KELM)的铝电解电流效率预测模型。通过分析铝电解机理,获得影响电流效率的过程参数,采用核主元分析法对试验数据进行降维,并用聚类算法剔除数据异常点,建立基于KELM的铝电解电流效率模型。使用鲸鱼优化算法与模拟退火的混合算法(WOASA)优化KELM模型的关键参数,从而提高模型的精度和泛化能力。通过实际生产数据进行仿真试验,将本文的方法与原始KELM、PSO-KELM、GWO-KELM、CGWO-KELM算法进行对比,结果证明了该预测模型的有效性,可以实现铝电解过程电流效率的准确预测。

关键词： 短期负荷   预测模型   改进核极限学习机   聚类方法   KELM模型   最优解   泛化能力   神经网络  

摘要： 以极限学习分析模型为基础,对子网负荷变化进行了预测,同时比较了经过改进得到的核极限学习机模型与神经网络方法各自计算得到的结果。研究结果表明:利用聚类方法进行改进的KELM模型可以获得更低的Max-AE,使模型获得更优的拟合性能;采用聚类方法试试改进的KELM模型还可以达到比直接预测更高的效率,表明聚类得到的组合预测模型具备有效性,能够显著降低模型的预测误差;极限学习机模型不必对算法实施迭代,整体运行效率较高,最后可以获得一个最优解;核极限学习机方法可以达到最优状态,获得理想的泛化能力。

关键词： 泥石流   极限学习机   DBSCAN   预测  

摘要： 为提高泥石流预测预报的准确性,提出一种基于DBSCAN聚类的改进极限学习机(ELM)算法。首先,利用DBSCAN算法对泥石流发生训练的数据进行聚类处理;其次,将聚类得到的不同训练集分类训练ELM分类器;最后,利用ELM分类器对预测集数据进行预测。实验结果表明,利用改进ELM算法对泥石流发生预测的平均准确率达到91.6%,改进ELM算法的稳定性与传统ELM算法相比有明显提高,与传统ELM算法、BP神经网络和Fisher预测法相比,改进ELM算法的预测精度更高。