关键词： 主成分分析   粒子群   极限学习机   铁水硅含量   VTK  

摘要： 在高炉冶炼过程中,合理的炉温是保持高炉生产稳定顺行的关键因素之一。由于高炉冶炼过程的复杂性及受当前技术水平的限制,难以精确掌握炉内的温度,因此炉温的预测技术对高炉运行具有重要意义。在高炉炼铁过程中,通常以铁水硅含量来表征高炉热状态,建立可靠的铁水硅含量预报模型对高炉操作人员具有重要的指导意义且具有重要的理论研究价值。本课题选用高炉铁水硅含量对炉温进行间接预测,主要工作包括:(1)针对硅含量预测效率和精度不足的问题,提出主成分分析(PCA)和粒子群(PSO)改进的极限学习机(ELM)相结合的方法对高炉铁水硅含量进行预测。由于影响铁水硅含量的因素众多,且各因素之间相互影响,通过主成分分析对影响硅含量的输入变量进行降维处理;利用粒子群算法来优化极限学习机的权值和阈值,并以均方根误差作为适应度函数建立预测模型。将提取出的主成分作为模型输入,铁水硅含量作为模型输出。最后比较了极限学习机算法和粒子群改进的极限学习机,实验结果表明改进后的预测模型提高了硅含量预测的准确度,该方法可为高炉的生产操作提供一种新的思路和方法。(2)在Qt平台下,结合VTK图形可视化工具包,开发了高炉三维可视化系统。该系统不仅可以对硅含量预测结果进行二维绘制,而且可以对高炉三维模型进行动态显示。通过对VTK可视化方法的研究,为研发人员在Windows/MinGW开发环境下VTK的配置以及可视化研究提供参考。

关键词： 极限学习机   加权极限学习机   组合核   参数优化   电力负荷预测  

摘要： 人工智能领域的不断发展为科学预测提供更多策略,但是传统的预测方法都有一定程度上的不足。极限学习机算法作为一种新型的单隐层前馈神经网络被应用于预测中,它克服了传统预测方法的一些不足,提高了算法的训练速度,降低了参数的调节时间,避免了传统神经网络容易陷入局部最优的缺点。本文在深入研究极限学习机算法理论的基础上,为了改善极限学习机预测模型性能,提出了两种不同的改进方法,论文完成的研究内容如下:首先,针对单一核函数存在局限性的问题,本文将局部学习能力强的多尺度小波核函数和全局泛化能力强的多项式核函数组合在一起,提出了一种新的组合核极限学习机预测模型。并从核参数优化的角度出发,运用量子粒子群优化算法对该组合核参数寻优。在UCI数据集上的仿真结果表明,本文构建的模型具有更好的拟合能力。其次,为了提高KELM的拟合能力并使其在噪声条件下具有稳定性,本文构建了一种加权组合核极限学习机预测模型。针对该模型参数多的问题,将鲸鱼优化算法应用在其中,实现了极限学习机参数的自动优化选取。通过sinc函数和UCI数据集的测试实验结果可以看出,该模型的预测精度较高。最后,将本文提出的两种模型应用到实际电力负荷预测中,分别对东北某地区的电力负荷进行了未来24小时的预测和未来48小时的预测,实验结果表明本文提出的两种预测模型具有较好的应用前景。

关键词： 步态预测   极限学习机   萤火虫算法   步态识别   外骨骼  

摘要： 外骨骼机器人将人体复杂的运动机理与机器人高强度的运动、负荷能力结合,帮助人体完成仅靠自身难以完成的工作。准确地对人体日常行为的步态进行识别,是对下肢人体加强型外骨骼机器人进行准确控制的关键技术环节,同时,从人体步态被识别到外骨骼机器人做出控制行为二者之间存在时滞,为避免控制的滞后对人体运动造成阻碍,应首先对步态数据进行预测,使步态识别工作在预测数据上进行以确保人体与外骨骼机器人之间的同步。首先,设计并实现了一套对足底压力进行测量的数据采集系统。通过硬件及软件两部分内容对系统中传感器的分布方式、系统的性能参数、数据的传输方式、系统间的通讯协议及程序流程进行了详细的介绍,并对行走、慢跑、上楼梯、下楼梯四种人体运动状态的足底压力数据进行实验采集。接着运用极限学习机(Extreme Learning Machine,ELM)对四种人体运动状态的足底压力数据进行预测,同时考虑到网络中随机生成的权值及偏置会对预测精度造成影响这一问题,使用萤火虫算法(Firefly Algorithm,FA)对其进行优化。实验结果表明,FA-ELM算法有效地提高了预测精度,为步态识别工作提供了数据支持。最后对人体步态相位进行了划分并确定了区分各个相位的步态事件,在对预测数据进行小波去噪处理后根据四种运动状态的足底压力预测数据的特性提出了一种步态事件的识别算法。该算法有效地解决了实验环境及条件改变后离地、触地事件判定阈值不适用的问题,避免了大部分由于阈值变化及数据波动导致的错误识别,最终得到了约96.14%的平均识别率与93.80%的平均正确率。

关键词： 极限学习机   电价预测   MapReduce   分布式能源交易  

摘要： 随着社会对各种能源电力需求的日益增长,新能源不断并网接入,电力交易数据涵盖常规能源与新能源,面临的数据采集规模量从目前的GB增长至TB甚至于PB级别。在未来的电力市场环境下,面对如此海量高纬度的大数据,进行电价预测还需要更进一步提升高并发、高性能的数据处理技术要求。智能电网的云计算存储模型已取得一定研究成果,但是基于大数据环境的电价预测模型的并行算法却少有提及。在互联网技术飞速发展的背景下,本文针对大数据环境下电力市场运营的关键问题即短期电价预测进行研究。首先,分析国内外电力交易市场的运作模式及传统能源电力和分布式能源电力的交易特点,研究电价预测方法及大数据相关技术,将集成经验模态分解算法与在线核极限学习机模型相结合得出优化的电价预测模型。在此基础上,针对单个极限学习机的局限性,根据集成学习的思想结合多个在线核极限学习机提出基于集成学习在线核极限学习机模型。该模型算法相比较传统的算法具有更高的精确性和泛化能力,在大数据噪音的条件下其优势更加明显。其次,基于集成学习的电价预测模型算法结合多个极限学习机模型,在串行数据处理方式中,会造成时间复杂度的增加。根据大数据的特征以及数据处理技术原理,提出基于MapReduce的多个在线核极限学习机模型的并行算法,可使一个MapReduce作业完成多个模型的在线训练。通过算例测试验证提出的基于MapReduce的并行算法可以有效的提高模型的准确度和实时的训练速度。最后,基于MapReduce的并行模型算法,针对分布式架构的电力交易系统设计并实现电价预测功能。,搭建远程大数据环境,安装配置相应版本的Hadoop服务器,并配置运行Cloudera和Cloudera Desktop;在该架构下设计实现的电价预测系统功能主要包含三个功能模块:预处理模块用于将原始电价数据预处理,得到载入模型的对应数据;学习训练模块运用并行模型算法进行多个在线核极限学习机模型的并行化训练;预测模块用于对学习训练后数据的预测以及展示。通过电价预测模型结合大数据并行处理技术使得模型拓展性能更强、训练速度更快以及预测稳定性能更高,对于以未来分布式能源并网为发展目标,在大数据环境下新一代电力交易平台的应用研究,有一定的实用价值。

关键词： 装配式住宅   成本预测   粗糙集   极限学习机   粒子群算法  

摘要： 装配式住宅是住宅产业化的主要形式之一,具有建设速度快、节能环保、质量可控性强等优点,符合绿色建筑的发展理念。目前,国家及各省市纷纷出台住宅产业化相关政策,以促进装配式住宅的发展。然而装配式住宅的发展情况并不乐观,究其原因,成本偏高是限制其发展的主要因素。因此如何有效的控制装配式住宅成本是其发展过程中不可回避的问题。本文以控制装配式住宅成本为目的,从装配式住宅成本影响因素入手,对装配式住宅的成本进行预测。主要做了以下工作:(1)通过分析装配式住宅相关文献,指出研究装配式住宅成本的必要性。并对装配式住宅成本构成和特点进行分析,明确论文所要研究的主体是装配式住宅建造成本。(2)分析装配式住宅成本影响因素,参考相关文献及专家意见,构建初始成本预测指标体系,利用粗糙集理论和层次分析法对成本预测指标进行权重计算,筛选出主要的成本预测指标,降低预测模型复杂度。(3)在分析常用成本预测模型的基础上,选择运行速度快、处理小样本能力突出的ELM模型作为建模基础,并利用全局寻优能力较强的PSO算法对其优化。通过对收集到的样本数据进行训练模拟,绘制出预测成本与实际成本的误差曲线,并与BP神经网络、ELM模型预测结果对比,验证预测模型的可靠性。论文研究结果能够有效的解决装配式住宅所面临的成本管理问题,对于促进住宅产业化具有重要的意义。

关键词： 高炉铁水   硅含量   预测模型   改进灰狼优化算法   多核极限学习机  

摘要： 高炉生产作为钢铁生产过程的上游工序，其能耗巨大约占钢铁工业的总能耗的70%，所以高炉冶炼是钢铁工业实现绿色发展的主要潜力所在。而高炉铁水硅含量作为衡量铁水质量的主要指标，同时与炉温成正相关，对其准确建模是实现高炉高效控制和实现节能减排的必要条件。因此，本文针对高炉铁水硅含量预测模型展开研究，并针对模型中一些关键参数无法确定的问题，提出一种改进的灰狼优化算法进行优化，建立了高炉铁水硅含量预测模型，其主要内容如下：　　首先，针对高炉铁水硅含量预测模型输入选择这一关键问题，通过分析高炉内硅的迁移行为，获得高炉各个变量与铁水硅含量的机理关系;通过对变量间的相关性分析，得到相应变量与硅含量的相关性大小和滞后时间，为预测模型输入变量的选择奠定了基础。　　其次，为了优化高炉铁水硅含量预测模型参数，提出一种改进灰狼优化算法。通过嵌入一种最优最差正交反向策略，构建部分维度上取反向值的正交反向候选解，充分挖掘了个体和反向个体在不同维度上的有利信息;通过在标准测试函数上进行仿真对比研究，验证了本文所提出的改进灰狼优化算法的优越性。　　再次，在综合常用核函数特性并权衡模型精度与计算复杂度的基础上，构建融合三种核函数的多核极限学习机，并基于改进的灰狼优化算法优化核函数的加权系数;将所得到的优化参数输入到多核极限学习机模型中，建立了高炉铁水硅含量预测模型;基于现场实验数据的仿真结果表明，本文所提出的基于改进灰狼优化算法的多核极限学习机具有较好的预测效果。　　最后，针对高炉多炉况问题，利用聚类算法将高炉预测系统的输入输出数据分类（每类代表一种炉况），并使用所提出的基于改进灰狼优化算法的多核极限学习机对每种炉况进行建模，将所有模型合并得到多炉况高炉铁水硅含量预测模型;仿真对比结果表明，本文所提出的多炉况高炉铁水硅含量预测模型的预测效果优于未考虑炉况的高炉铁水硅含量预测模型。

关键词： 软件缺陷预测   极限学习机   类别不平衡   跨项目缺陷预测  

摘要： 当前互联网行业下,软件的规模愈来愈大,导致其复杂度也愈来愈高,这意味着软件中隐藏的缺陷会随之增多,严重时还会给软件公司造成经济损失,甚至会威胁人们的安全。因此,如何有效地发现软件缺陷显得尤为重要。软件缺陷预测是借助于已有项目数据构建预测模型,预测目标项目中的缺陷。目前主流方法主要基于机器学习构建缺陷预测模型,且大多已取得较好的预测效果。然而,现有缺陷预测模型仍存在不足,如:模型性能提高,数据集不平衡和部分目标项目数据稀少等问题。因此,针对现有问题,本文提出基于极限学习机(extreme learning machine,ELM)的软件缺陷预测模型,具体包括以下工作:1)在缺陷预测模型的预测精度和训练速度有待提高的问题上,本文借助于极限学习机泛化能力强、训练速度快的特点,在软件缺陷预测上构造了有监督分类和无监督聚类两种预测模型,提出了ELM-CLA(ELM-Classification)和ELM-CLU(ELM-Clustering)两种算法。在NASA的11个数据集上,所提方法ELM-CLA和现有分类算法相比,得到较好的预测结果,且大大提高了模型的训练速度。同时,ELM-CLU方法,较之目前最流行的谱聚类算法也获得了更好的ACC值。另外,本文在将数据转换的基础上,讨论了缺陷数据的优先级问题,为软件缺陷修复工作提供了思路,未来工作可结合实际的缺陷等级数据及相关开发者经验进行,有助于软件缺陷修复工作的选择和维护。2)在缺陷数据集中的类不平衡问题上,本文基于加权极限学习机(weighted extreme learning machine,WELM)算法,引入模糊的思想,提出了相对密度信息的概念,避免了高维空间下概率密度的计算,通过K近邻概率密度估计法计算各训练样本间的相对密度,设计隶属函数,对每个样本的权重进行模糊化与个性化的设置,替代加权极限学习机中的权重矩阵,从而设计出了基于相对密度方法的模糊加权极限学习机系列算法,包括FWELM-WD(fuzzy weighted extreme learning machine based on the within-class relative density information)和FWELM-ID(fuzzy weighted extreme learning machine based on the inter-class relative density information)算法。实验结果表明,所提算法构造的预测模型具有更好的预测性能,并且在G-mean、AUC和Balance等评价指标上均有较优表现。因此,通过FWELM系列算法可以有效缓解软件缺陷数据集中的类别不平衡问题,提高软件缺陷预测模型的准确率,从而帮助软件缺陷预测工作更好地进行。3)在如何为源项目和目标项目寻找潜在特征空间的问题上,本文提出了一种基于集成学习的软件缺陷预测方法,该方法通过计算源项目与目标项目间的相似度,来选出top-k个最为相似的源项目作为训练数据来构建预测模型。通过在PROMISE数据集进行实验,并与其他的CPDP(Cross-Project Defect Prediction)方法进行实验分析对比,较之经典的跨项目缺陷预测方法,该方法在F-measure、AUC和Accuracy指标上均有较好表现。综上所述,本文在软件缺陷预测存在的问题上,围绕软件缺陷预测模型的构建和缺陷数据集中存在的问题。在极限学习机方法的基础上,展开三项工作的研究,并提出了相应的解决及改进方法,且均通过实验验证了所提方法的有效性。然而,本文的研究工作还存在不足,进一步的研究工作可以从以下几个方面进行:1)本文的前两项工作均基于NASA数据集,最后一项工作基于PROMISE数据集,这些数据集均为目前软件缺陷预测领域中公开的数据集,尽管在很大程度上能验证本文的工作,但其仍然存在一定的局限性。未来计划在更多工业数据上进行验证。2)本文针对软件缺陷数据集中的类别不平衡问题所提的FWELM系列算法,用到了KNN-PDE方法,该方法需要计算样本之间的近邻距离,故时间复杂度较高,且该算法是在WELM上进行改进,同样增加了算法的时间复杂度。未来的工作将设计相关的方法来降低算法的时间复杂度。3)目前软件缺陷预测中的跨项目问题是该领域中的一个难点,本文工作主要通过分析源项目和目标项目之间的相似度来解决跨项目问题。未来的工作可以考虑结合目前流行的迁移学习方法,通过挖掘更多的源项目,分析其内在结构特征,设计更高效的跨项目缺陷预测模型。

关键词： 在线预测   极限学习机   不平衡数据   非平稳数据   非结构化数据  

摘要： 在线预测一直是智能信息处理领域的前沿课题,在异常诊断、系统控制、信号监测和行为推理等工程问题中具有重要的应用价值。机器学习通过数据驱动的方式建立表征数据关系的非线性模型,能够对新数据做出有效预测。作为机器学习的代表性方法,极限学习机由于具有理论解析解和收敛速度快的优势,适用于具有海量、多样、高速和真实等特征的大数据环境。在实际场景中,由于实时采样的业务需求和计算机缓存的限制,数据呈现出逐个到达或片段式到达的特点,形成实时数据流。复杂多变的流式数据要求模型能根据当前数据片段的预测结果自动调整结构,无需人工参数调整和学习模型的重新训练,这对预测算法的有效性和适应性提出了挑战。极限学习机通过模拟人类学习行为,建立多层神经元连接结构,表征属性和标签的映射关系,实现具有语义特征的智能信息处理。在训练阶段,利用M-P广义逆计算输出权重,避免了繁杂的参数遍历过程。其中自适应极限学习机、惩罚加权极限学习机等能够有效解决复杂函数逼近问题,已经成功应用于离线预测。但是随着数据的累积,数据结构会随着时间显著变化,导致离线预测方法失效。如何建立参数和结构自动调整的在线预测模型,适应变化环境的学习任务仍有待深入研究和进一步完善。本文考虑不同类型的数据标签和不同结构的属性集合,围绕在线预测的极限学习机方法展开研究,解决长期累积数据、时变的不平衡标签、自增长特征空间和非结构化图像序列的在线预测问题,旨在提高机器学习方法在变化环境中的鲁棒性和适应性,探索大规模数据在线预测的新方法。论文的主要创新性工作如下:(1)针对长期预测中模型自动调整问题,提出了平衡方差和偏差的动态ELM方法,解决了经典ELM预测模型依赖初始结构,无法定量调整的问题。该方法引入了关于拟合程度的度量参数,将时间序列的误差进行分解,比较了方差和偏差的变化,实现了对过拟合和欠拟合的定量表达;建立平衡拟合能力和自由度的惩罚回归模型,采用粒子群算法实现了隐层节点数目和正则化参数的联合优化,形成了自动更新策略,避免了交互式的参数调整,保证了预测模型适用于长期在线预测。实验结果表明所提方法能够适应数据变化趋势,与代表性的在线预测方法相比,所提方法在4组不同属性维度的UCI标准数据中具有更低的泛化误差和更高的相关系数。(2)针对多类样本标签不平衡序列在线预测问题,提出了基于两步博弈的集成动态ELM方法,解决了数据标签平衡度偏移和重构数据不准确的问题。该方法采用了数据处理和模型更新联合策略,进而自动匹配样本的结构变化;在数据处理阶段,采用动态ELM博弈模型生成少数类样本,平衡不同类别样本分布;与传统的重采样方法不同,所提方法融合了零和博弈策略和主成分分析阈值判决,保证了每个样本片段的真实性;在模型更新阶段,利用信息熵量化整体的拟合程度,建立了权重与损失程度之间的关系,并采用博弈论中的集合模型计算组合权重,形成了稳定的网络体系结构,避免将多分类问题转化为多个二分类造成的模型适应性差的问题,提高了模型对快速变化数据的拟合效果。实验结果表明,在6组多类不平衡UCI标准数据集中,所提方法具有更高的G-mean和F-measure值,改善了动态ELM方法对少数类样本的预测能力。(3)针对特征维度增加的非平稳序列在线概率预测问题,提出了基于分位数估计的动态ELM方法,解决了非平稳序列特征维度增加,置信区间表征单一的问题。对于期望值的点预测,该方法考虑了不断增长的特征空间,定义特征向量和标签的相似度作为特征阈值,实现了对新特征的在线提取;建立集成学习模型,通过人工蜂群算法进行联合优化,得到最优的参数解向量,减少了输入层权重和偏置的随机性;根据片段平均误差调整模型过滤阈值,提高了模型的紧凑性。对于置信区间预测,该方法采用模糊推理和二维核密度估计判决预测值的置信区间,突破了误差必须满足特定概率分布的局限,得到平滑的概率密度表达。选取表征光伏电能转化情况的典型非平稳数据进行实验,结果表明,所提方法获得了较高的泛化性能和置信度,匹配了非平稳序列的周期性和波动性。(4)针对非结构化的图像序列在线预测问题,提出了基于目标主轨迹的多层ELM方法,解决了小样本图像序列特征难表征以及模型和语义无法关联的问题。该方法充分考虑了图像的时空特性,采用帧差法和k-means聚类分析,实现了不同运动目标的像素级提取;利用二阶指数平滑方法,计算每一个运动目标的主轨迹,实现对多个目标运动趋势的预测;通过多层ELM量化形状特征,建立历史序列和当前图像感兴趣区域的映射关系,重构了新的感兴趣区域,保证了新图像的真实性;利用FISTA方法加快了参数优化的收敛速度,简化了深度神经网络的求解过程。选取表征行人和车辆运动状态的图像序列进行实验,结果表明,所提方法提高了在线预测的准确性和图像分辨能力,有效挖掘了图像序列整体的语义特征,无需对每一个像素点建立模型,提升

关键词： 时间序列预测   极限学习机   深度学习   组合预测模型   相似性方法  

摘要： 随着各类新型数据采集手段和大规模快速存储技术的广泛应用,各领域积累了海量的数据,并呈指数级增长,从数据挖掘价值、实现价值增值成为人们的共识。时间序列预测通过研究时间序列随时间变化的规律和时间序列本身的内在联系,对研究对象未来发展趋势进行估计和判断。当前,以机器学习、神经网络、深度学习技术为代表的数据分析及预测模型大量涌现,为解决海量复杂数据的分析问题提供了重要选择。无论是普适性模型还是针对某一特定领域的模型,如何有效提高预测精度一直是时间序列预测研究的重点问题。本文从两个方面进行研究:借鉴深度学习技术基本思想,以核极限学习机(Extreme Learning Machine with Kernel,KELM)为基本构件,提出了一种新的多隐层堆叠的深度时间序列预测模型;通过分析医院日门诊量变化的特点和规律,综合应用相似性方法、粒子群方法(Particle Swarm Optimization,PSO)和最小二乘支持向量机方法(Least Square Support Vector Machine,LSSVM),构建了新的组合模型,对医院门诊量短期预测进行研究。(1)深度核极限学习机时间序列预测模型。受深度学习思想启发,本文以KELM为基本构件,构造了新的自编码器KELM-AE,并以此为基础提出了新的多隐层堆叠网络模型深度核极限学习机(DL-KELM),其每个隐含层权值由KELM-AE独立确定,一经确定,无需调整,最后一个隐含层的输出作为KELM的输入来进行回归和分类。该模型通过引入KELM有效克服了ELM自身容易过拟合、结果受初始化参数影响较大的固有缺点,具有较高的计算速度。在多个领域的数据集上进行单步和多步预测实验表明,该模型具有较高的预测精度。(2)基于相似性方法和PSO-LSSVM的组合预测模型及医院门诊量预测研究。此部分主要针对医院门诊量短期预测这一具体问题开展研究,提出解决方案。通过对医院门诊量变化趋势进行分析,发现门诊量具有“周”周期性特点,即门诊量以七天为一个周期变化,周一门诊量最高,接着逐渐下降,周日最低。基于上述的规律性,本文组合相似性方法、粒子群优化算法和最小二乘支持向量机方法构造了新的组合预测模型。采用位于兰州市和乌鲁木齐市的两所三甲综合性医院日门诊量数据对模型预测性能进行验证,实验表明该方法预测精度较高,具有良好的应用前景。

关键词： 故障预测   正态分布-经验小波   偏最小二乘法   极限学习机   滚动轴承  

摘要： 滚动轴承作为旋转机械重要的零部件之一,其运行状态的稳定性直接关系到整体设备的工作性能。有效预测滚动轴承的故障位置,正确识别滚动轴承性能衰退阶段,对降低危险事故的发生率和设备的健康管理都具有重要意义。针对滚动轴承故障预测问题,逐步开展信号降噪、特征降维和故障预测的研究,主要研究内容如下:首先,提出基于正态分布的经验小波变换信号降噪方法。针对传统降噪方法存在窗函数固定、模式混叠等问题,将经验小波用于信号降噪,并通过正态分布区间估计方法克服原有的边界计算复杂、缓慢且受人工决策影响的问题,实现信号频谱的自适应划分;分析有量纲与无量纲在振动过程中表现的差别,通过仿真信号与开源数据验证正态分布-经验小波变换的降噪效果。其次,提出基于模糊C均值的等距离映射特征降维方法。针对传统等距离映射算法的拓扑稳定性易受邻域大小影响的问题,采用能够评价结构信息保留效果的残差进行优化。在对目标数据的特征降维时,运用模糊C均值进行聚类,使高维与低维空间的流形数据保持相近的特性。通过仿真实验效果对比,验证模糊C均值的等距离映射降维方法的效果。然后,建立偏最小二乘法的极限学习机故障预测模型。针对传统极限学习机的网络权值和隐含层节点数的设置靠实验调整获取,易受人为因素干扰的问题,应用偏最小二乘法的主成分数和加载权值加以改进。同时为更好地拟合数据,选取激活函数Softmax代替Sigmoid。通过对比不同的预测方法,验证该方法具有更高的预测精度。最后,搭建试验台、采集数据,进行试验验证。搭建滚动轴承振动测试试验台并采集所需试验数据。分别以内外圈不同程度下裂纹故障的单列角接触球轴承为试验对象,根据其信号具体情况采用本文方法对其进行故障预测。试验结果对比表明,本文方法能够准确预测故障位置和故障发展趋势。