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。

关键词： 短时交通流   神经网络   极限学习  

摘要： 针对短时交通流预测,本文介绍了一种基于极限学习的神经网络预测模型,把极限学习理论应用于最简单的单隐含层前馈神经网络中,以实现提高训练效率的目的。通过具体的实例分析,与其他常用的BP神经网络、径向基神经网络、广义神经网络和Elman神经网络进行比较,结果表明基于极限学习神经网络的预测精度与常规神经网络的预测精度相当,并且其模型的训练耗时远远低于常规的神经网络模型,这对短时交通流预测在实际中的应用,具有重要实践意义。

关键词： 燃油泵   参数预测   模糊信息粒化   奇异值分解   极限学习机  

摘要： 机载燃油泵的性能退化呈现非线性多阶段模式,为了提高机载燃油泵性能退化指标的预测精度,得到性能退化指标准确的预测范围,提出了基于奇异值分解-模糊信息粒化与优化极限学习机的模糊粒化预测方法。针对传统的粒化预测方法直接对原始序列进行粒化分析的不足,首先利用奇异值趋势分解方法提取燃油泵性能退化指标序列的趋势项及去趋势项,再利用信息粒化方法对去趋势项进行模糊粒化;然后将趋势项及粒化后的去趋势项数据输入至极限学习机进行回归预测,并采用粒子群算法优化极限学习机参数;最后根据实测值和预测值的对比分析评估预测模型的优良性。实验结果表明,该方法可以有效跟踪燃油泵性能退化指标的变化趋势,并对其指标的波动范围进行有效预测。

关键词： 干旱预测   GA-ELM   SPEI   云贵高原  

摘要： 为准确预测干旱情势,提高防旱抗旱能力,构建了遗传算法优化的极限学习机(GA-ELM)模型进行干旱预测。以近年来干旱频发的云贵高原为研究区,利用该模型以关键致旱因子为输入变量实现了云贵高原中长期干旱预测,并与自适应神经模糊推理系统(Adaptive Neural Fuzzy Inference System,ANFIS)模型、极限学习机(Extreme Learning Machine,ELM)模型的预测结果进行比较。结果表明:GA-ELM模型适用于云贵高原地区的干旱预测;与ELM模型相比,不同时间尺度下GA-ELM模型的干旱预测结果精度均有明显提升;在干旱强度和干旱历时方面,GA-ELM模型的预测精度总体上也优于ANFIS模型。