关键词： 遗传算法   正则化极限学习机   PM2.5浓度预测  

摘要： 环境质量与人们的健康息息相关,一直是研究的热点。本文选取长沙市2017年NO2、PM10等大气数据对PM2.5日均值进行预测,采用BIC准则进行特征选择。在传统的超限学习机(ELM)的基础上,引入正则化项以控制模型的复杂度,并用遗传算法(GA)对模型的输入层权重矩阵和隐含层阈值矩阵进行优化,建立遗传算法和正则化极限学习机(GA-RE-ELM)的PM2.5预测模型。实验表明,该模型相比BP神经网络、超限学习机有更好的精度,均方误差分别降低了35.09%、25.49%,平均绝对误差分别降低了40.86%、30.80%,平均绝对百分误差分别降低了45.49%、31.65%,为PM2.5浓度的预测提供一种新的方法。

关键词： 极限学习机   遗忘因子   灵敏度剪枝   混沌时间序列   入口氮氧化物  

摘要： 针对在线贯序极限学习机更新时没有考虑到数据的时效性、网络结构难确定的问题,提出基于灵敏度剪枝和遗忘因子的极限学习机(SAFFOS-RELM)。将灵敏度剪枝算法和自适应遗忘因子融入OS-ELM算法中,在初始化阶段,加入灵敏度剪枝算法获得更紧凑的网络,删除冗余节点来增强网络的泛化能力;贯序更新阶段加入自适应遗忘因子,根据新到的数据信息更新输出权值,特别适合于时变系统,利用Mackey-Glass混沌时间序列和入口氮氧化物时间序列验证算法的可行性。仿真结果表明,该算法的泛化能力和计算时间优于OS-RELM、FFOS-RELM算法。

关键词： 云计算   极限学习机   网络流量   神经网络   支持向量机  

摘要： 由于网络数据的复杂性和不确定性,传统的方法存在一定局限性,存在预测误差大和预测存在滞后性的问题,针对网络流量数据,本文将云计算和极限学习机相结合,提出一种基于云计算和极限学习机的网络流量预测方法。研究结果表明,本文方法可以有效提高网络流量预测的精度,为网络流量预测提供新的方法和决策依据。

关键词： 滑坡位移   极限学习机   预测  

摘要： 针对经典智能算法用于滑坡位移预测时存在的网络结构参数选取复杂、易陷入局部极小等缺陷,提出了基于改进极限学习机ELM(Extreme Learning Machine)的滑坡位移预测模型。在滑坡变形位移状态辨识基础上,根据其位移变化特征,将滑坡位移曲线类型划分减速-匀速型、匀速-增速型、减速-匀速-增速型、复合型4类,将改进的ELM算法分别用于4种不同类型的滑坡位移预测。基于改进ELM算法构建滑坡位移预测模型时,采用二值区间搜索算法选定最佳隐含层神经元个数和激励函数,并融入数据滚动建模思想,以期提高网络泛化能力和预测精度。以链子崖、卧龙寺、古树屋、新滩滑坡体为例,对ELM预测的适用性进行讨论,实验结果表明,基于ELM构建不同类型滑坡位移预测模型时,具有较高的预测精度,且在网络学习速度等方面优势明显,适用于复杂状况下滑坡体的位移预测。

关键词： 在线序贯极限学习机   模糊神经网络控制器   自适应控制   遗传算法   在线温室温度预测模型  

摘要： 针对现有的温室控制方法难以对温室系统做出精准预测和有效控制等问题,提出一种基于在线序贯极限学习机(online sequential extreme learning machine,简称OS-ELM)神经网络的温室温度预测及其自适应控制方法。该方法采用OS-ELM神经网络构建温室系统的温度预测模型,并用于温室温度预测;将预测模型的输出作为模糊神经网络控制器(fuzzy neural network controller,简称FNNC)的理想输出参考量,结合FNNC的实际输出量,将FNNC输出误差作为遗传算法(genetic algorithm,简称GA)优化FNNC参数的目标函数,构成在线预测的模糊控制策略。在温室温度预测模型采用物理建模、Elman神经网络建模和OS-ELM神经网络建模方法下对温室温度控制进行试验,结果表明,基于OS-ELM的温室温度预测方法及其自适应控制系统具有较好的性能优势,可有效提高温室的预测和控制精度。

关键词： 连铸坯   BP神经网络   遗传算法   极限学习机   质量预测  

摘要： 针对传统基于BP神经网络建立的连铸坯质量预测模型训练速度慢、适应能力弱、预测精度低等问题,本文提出一种基于极限学习机的连铸坯质量预测方法,对方大特钢60Si2Mn连铸坯中心疏松和中心偏析缺陷进行预测,并与BP和遗传算法优化BP神经网络预测模型的预测结果进行分析对比.结果表明：BP及GA-BP神经网络预测模型对连铸坯中心疏松和中心偏析缺陷的预测准确率分别为50%、57.5%、70%和72.5%;而基于极限学习机的连铸坯预测模型预测准确率更高,对连铸坯中心疏松和中心偏析缺陷的预测准确率分别为85%和82.5%,且该模型具有极快的运算时间,仅需0.1 s.该模型可对连铸坯质量进行迅速准确地分析,为连铸坯质量预测的在线应用提供了一种新的方法.

关键词： 极限学习机   混沌纵横交叉   粒子群算法   预测精度   短期负荷预测  

摘要： 为提高短期负荷预测精度,针对传统的单一负荷预测模型精度低以及常规智能算法在解决高维、多模复杂问题时容易陷入局部最优的问题进行了研究,提出了一种结合混沌纵横交叉的粒子群算法(CC-PSO)优化极限学习机(ELM)的短期负荷预测模型。ELM的泛化能力与其输入权值和隐含层偏置密切相关,采用结合混沌纵横交叉的粒子群算法优化ELM的输入权值与隐含层偏置,提高了ELM的泛化能力和预测精度。选择广东某地区实际电网负荷数据进行分析,研究结果表明,相对于BP神经网络和支持向量机,ELM具有更高的泛化能力和预测精度;CC-PSO相对于粒子群和遗传算法具有更高的全局搜索能力,CC-PSO-ELM模型具有较高的负荷预测精度。

关键词： 货运量预测   主成分分析   极限学习机  

摘要： 提出了一种基于主成分分析和极限学习机的计算方法,并用这种方法对货物运输量进行预测。该方法首先利用主成分分析的方法融合多个影响货运量的因素,获取主成分;然后建立极限学习机模型来预测公路货运量;最后计算模型性能指标并与相关模型进行对比。结果表明,基于主成分分析和极限学习机的货物运输量预测方法具有较高的稳定性和预测精度。

关键词： 基坑   皮尔逊相关系数   极限学习机   遗传算法   变形预测  

摘要： 为解决传统智能算法网络结构参数复杂、运算速度慢等问题,基于遗传算法和极限学习机构建基坑变形的新型优化智能预测模型。先利用皮尔逊相关系数评价不同影响因素与基坑沉降变形之间的相关性,以确定极限学习机的输入层;再采用试算法确定最优激励函数和隐层节点数,并将遗传算法和极限学习机耦合,利用遗传算法优化极限学习机的初始权值和阈值,以提高预测精度。经实例检验表明:1)开挖时间、开挖深度、土体抗剪参数及重度均与基坑沉降变形显著相关,为构建极限学习机输入层提供了依据;2)在预测过程中,激励函数和隐层节点数对极限学习机的预测效果具有一定的影响,以Sigmiod型激励函数和13个隐层节点数的预测效果为最优;3)通过遗传算法的优化,能进一步提高预测精度,验证了遗传算法的优化能力和有效性。预测模型在不同工况下的预测结果均较优,说明该模型具有较高的稳定性和可靠性。