关键词： 稀疏贝叶斯   极限学习机   股票价格   预测  

摘要： 股票价格模型是金融理论分析与实证分析的重要基础,学术界与金融业界对其建模预测一直保持着极大的兴趣,但由于股票价格表现出高噪声性、强非线性、随机分形结构以及长记忆效应等特点,需要融合优化算法、统计学习方法与金融学理论对其建模分析。基于传统方法的股票价格过程建模预测结果往往精度不够好,所建立的模型泛化能力较差。基于稀疏贝叶斯极限学习机(SBELM)方法对股票价格进行建模预测,SBELM既能保持传统极限学习机(ELM)算法训练过程简捷的优点,又具有稀疏贝叶斯学习机自动选择隐藏层节点数的优点。利用上证综合指数2014-2015年的市场数据,比较基于SBELM方法的建模预测与基于贝叶斯极限学习机(BLEM)、ELM以及BP神经网络学习算法的建模预测,结果表明,基于SBELM方法的市场指数模型预测精度最高、泛化能力最强,具有较好的应用价值。

关键词： NOx排放   循环流化床锅炉   核极限学习机   灰狼优化算法  

摘要： 为了能够准确地预测电厂锅炉的NO_x排放量质量浓度,以某电厂330 MW亚临界循环流化床锅炉为研究对象,利用灰狼优化算法(GWO)和核极限学习机(KELM)进行综合建模,并将该模型的预测值与基本极限学习机、粒子群算法和风驱动算法优化的极限学习机模型预测值进行比较。结果表明:新的双种群灰狼算法(DGWO)可以更好地找到优化参数,同时新的核极限学习机模型具非常良好的预测精度和泛化能力,可以准确、高效地预测电站锅炉的NO_x排放量。

关键词： 坝体沉降   极限学习机   模拟预测   模型对比  

摘要： 变形分析是大坝安全监测的主要工作。为解决单一预测模型难以考虑影响坝体位移的多个因素进行预测,BP神经网络参数难以确定,本文将极限学习机算法运用到某土石坝异常测点沉降量预测中,通过对比训练期模拟值与实测值,确定了模型参数。预测期模拟值较实测值基本一致,预测效果良好。并与BP神经网络、支持向量机模型就预测精度与稳定性做了对比。

关键词： 短期负荷预测   极限学习机   改进差分进化算法   优化   预测精度  

摘要： 负荷预测的精度直接关系到电网的供需平衡,影响着电网运营成本。针对传统预测方法精度不高的缺点,提出了一种改进的差分进化算法优化极限学习机的预测模型。由于极限学习机的输入权值和隐含层偏置对预测精度有很大影响,因而利用改进差分进化算法对极限学习机参数进行优化,提高了极限学习机的泛化能力和预测精度。研究结果表明:改进差分进化算法优化极限学习机对短期负荷预测精度有较高提升。

关键词： 短期风速预测   聚类经验模态分解   引力搜索算法   极限学习机  

摘要： 针对风速的波动性和随机性大导致风速难以准确预测的问题,提出了基于经验模态分解方法(EEMD)和引力搜索算法(GSA)优化极限学习机(ELM)组合的短期风速预测模型.在风速预测建模过程中,为了降低风速的非线性和波动性,利用EEMD算法将原始风速数据分解成不同频率的相对稳定子集;然后,应用ELM对各个子集序列分别构建风速预测模型;使用全局搜索能力强的GSA算法优化ELM的输入权值和隐含层阈值,避免ELM陷入局部最优,提高组合模型的风速预测性能;最后,将各ELM模型的预测结果进行叠加,得到组合模型的最终风速预测结果.通过安徽某风电场的历史风速数据验证该预测模型,并与ELM、EEMD-ELM、EMD-GSA-ELM、WT-GA-SSVM及Persistence等模型比较,仿真结果表明,所提出的基于经验模态分解方法和引力搜索算法优化极限学习机的组合风速预测模型获得较好短期风速预测结果.

关键词： 径流预报   样本熵   集合经验模式分解   正则化极限学习机   机器学习  

摘要： 针对径流时间序列固有的强非线性和非平稳性特征,提出了一种将集合经验模式分解(EEMD)、样本熵(SE)和正则化极限学习机(RELM)相结合的非平稳日径流预测方法(ES-RELM)。为充分提取径流序列的局部信息以提高预测精度,利用EEMD-SE将径流序列分解为一系列差异度明显的子序列,然后根据各子序列的迥异特征构建了不同的RELM模型对各子序列进行预测,最后将各个子序列的预测结果叠加从而得到最终预测结果。将该模型应用于金沙江下游控制站屏山站的日径流预报中,与九种模型对比结果表明,该方法能有效提高日径流预报精度,是一种高效稳定的径流预报模型,为实现高精度实时径流预报提供了可能。

关键词： 母线负荷   短期预测   层次聚类   决策树   极限学习机  

摘要： 利用传统方法预测母线负荷时,通常选取离待测日相近的一段时间作为历史相似日进行模型训练,没有考虑其天气情况、星期类型、节假日等因素的影响,相似日与待测日特征相差较大。为解决以上问题,提出一种基于层次聚类(HC)和极限学习机(ELM)的母线负荷预测算法。首先使用层次聚类法将母线历史日负荷进行聚类,然后对层次聚类得出的聚类结果建立决策树,其次根据待测日的温度、湿度、星期和节假日类型等日属性在决策树中匹配出训练极限学习机预测模型的历史日负荷,最后建立极限学习机预测模型,对待测日母线日负荷进行预测。对两条不同母线的负荷进行了预测,与传统单一的极限学习机相比,所提算法的平均绝对百分比误差(MAPE)分别降低了1.4和0.8个百分点。实验结果表明,所提算法预测母线负荷具有更高的预测精度和稳定性。

关键词： 极限学习机   在线序列   干旱   预测因子  

摘要： 极限学习机在干旱预测时,通常将作为预测因子的历史数据固化的导入到模型中进行训练,而忽略了不同阶段产生的数据在模型训练中的作用和效果。因此,基于在线更新理论构建了在线序列-极限学习机预测模型,该模型在参数训练更新时,预测因子数据是按不同批次逐步导入到模型进行训练,大大降低了计算机资源占用率,且选用标准降水指数作为干旱评价指标对研究区域进行了预测。结果表明:在线序列-极限学习机较极限学习机的预测精度与稳定性有了大幅度的提高。

关键词： 网络安全   网络态势预测   极限学习机   BP神经网络   MATLAB仿真  

摘要： 在网络安全问题的研究中很多因素会造成网络不安全.网络安全态势预测技术能够从整体上反映网络安全状况.为了提高网络态势风险预测的准确性,提出了基于极限学习机的网络安全态势预测模型.使用MATLAB进行仿真,预测态势值.仿真结果表明,采用基于极限学习机的预测模型,学习速度快,精度高,可以较好地对网络安全态势进行预测.