关键词： 主成分分析   粒子群优化   核函数   极限学习机   构造煤   厚度预测  

摘要： 在构造煤厚度的预测中,针对预测精度不高的问题,提出利用粒子群优化(PSO)算法优化极限学习机(ELM)的方法来对构造煤厚度进行预测。首先,利用主成分分析(PCA)对三维地震属性进行降维处理,在降低地震属性的维数的同时消除变量之间的相关性。然后,构建全局多项式核函数和局部高斯径向基核函数混合核极限学习机(HKELM)模型,并利用PSO算法优化HKELM的核参数。同时,针对PSO算法存在容易陷入局部最优的问题,在PSO算法中加入模拟退火的思想和随迭代次数减小的惯性权重,以及基于反向学习的变异操作,使PSO算法可以更容易跳出局部极小值点,得到更优结果。此外,为了增强模型的泛化能力,在核函数的基础上加入L2正则项,有效地避免了噪声和异常点对模型泛化性能的影响。最后,将预测模型应用到阳煤集团新景矿区芦南二采区中部15#煤层中,预测得到的采区构造煤厚度与实际地质资料具有较高的一致性。实验结果表明,利用改进PSO算法优化HKELM构建构造煤厚度预测模型的预测误差较小,可以推广用于实际采区的构造煤厚度预测。

关键词： 电力负荷   预测   核极限学习机   优化算法  

摘要： 针对电力负荷预测,提出了一种优化的核极限学习机(O-KELM)的方法。核极限学习机(KELM)方法仅以核函数表示未知的隐含层非线性特征映射,无需选择隐含层的节点数目,通过正则化最小二乘算法计算网络的输出权值。将优化算法应用于KELM方法中,给出基于遗传算法、微分演化、模拟退火的3种优化KELM方法,优化选择核函数的参数以及正则化系数,以进一步提高KELM方法的学习性能。为验证方法的有效性,将O-KELM方法应用于某地区的中期峰值电力负荷预测研究中,在同等条件下与优化极限学习机(O-ELM)方法、SVM等方法进行比较。实验结果表明,O-KELM方法具有很好的预测性能,其中GA-KELM方法的建模精度最高。

关键词： 极限学习机   适应差分进化算法   干旱   SSTA   预报因子  

摘要： 针对极限学习机在实际应用时随机选取初始权值与阈值易导致其稳定性弱及泛化能力差的问题,利用自适应差分进化算法对其进行改进,构建了自适应差分进化极限学习机预测模型,并选用海表异常温度作为该模型的输入因子,对研究区域的干旱进行预测。结果表明,以海表异常温度作为模型的输入因子,应用极限学习机能有效地进行干旱预测,通过自适应差分进化算法优化的极限学习机应用于干旱预测,其精度与稳定性均有所提高。

关键词： 极限学习机   下击暴流   非平稳风速预测   经验模态分解   最小二乘支持向量机  

摘要： 分别运用经验模态分解(empirical mode decomposition,EMD)法和快速集合经验模态分解(fast ensemble empirical mode decomposition,FEEMD)法将非平稳下击暴流风速分解为一系列稳态序列集,即固有模态分量.建立极限学习机(extreme learning machines,ELM)风速预测模型(EMD-ELM)和快速EMD-ELM(FEEMD-ELM),分别对分解后的非平稳脉动风速训练集和测试集进行预测.同时,将EMD和FEEMD与基于粒子群优化(particle swarm optimization,PSO)最小二乘支持向量机(least squares support vector machine,LSSVM)进行混合,形成EMD-PSO-LSSVM和FEEMD-PSO-LSSVM混合模型算法.通过比较这4种预测算法的结果发现,基于EMD-ELM和FEEMD-ELM的非平稳下击暴流风速预测模型更为准确高效,其中FEEMD-ELM模型预测最佳.

关键词： PM2.5浓度预测   快速集成经验模态分解   变分模态分解   差分演化算法   极限学习机  

摘要： 准确的PM2.5浓度预测对于保护公众健康和提高空气质量有重要意义,然而,由于PM2.5浓度序列的随机性、非线性以及非平稳性等特征增加了对其准确预测的难度.本文提出了一种基于二层分解技术和改进极限学习机（ELM）模型的PM2.5浓度预测方法,该方法融合了快速集成经验模态分解（FEEMD）和变分模态分解（VMD）两种分解技术以及经过差分演化（DE）算法优化的ELM模型.为了验证所提出预测方法的有效性,本文使用该方法对北京市和石家庄市的PM2.5浓度序列进行了预测研究.结果表明：1）相比于单层分解技术,本文提出的二层分解技术可以更加有效地降低PM2.5浓度序列的非线性及非平稳性特征;2）基于二层分解技术的DE-ELM预测模型可以显著提高PM2.5浓度的预测精度.

关键词： 极限学习机   自适应混沌粒子群   交通流量   实时预测  

摘要： 随着机动车辆的不断增多,实现智能交通降低拥堵成为现代城市亟待解决的问题,而交通流量预测是智能交通的关键因素。在短时交通流量预测中,由于车流变化快,突发情况多,传统的预测方法不能很好地进行预测。极限学习机(ELM)的快速发展为解决这类问题提供理论依据。我们针对传统的ELM存在分类精度低、网络结构稳定性差等问题,提出一种自适应混沌粒子群算法(ACPSO)优化ELM参数的算法,以此来增强网络的稳定性,提高ELM对数据分类的精度,并将该方法应用到短时交通流量预测上。实验结果表明,该算法具有较好的稳定性和可靠性,在交通流量预测中具有实用性和推广性。

关键词： 多步区间预测   风速点预测   奇异谱分析-模糊信息粒化   极限学习机   改进布谷鸟算法  

摘要： 不同于风速点预测,风速区间预测能描述风速的随机性。因此,提出一种基于奇异谱分析-模糊信息粒化和极限学习机组成的风速多步区间预测模型。该方法采用奇异谱分析提取原始数据的趋势成分、振荡成分和噪声成分,并对所有分量进行重构,然后利用模糊信息粒化对重构后的噪声成分进行有效挖掘,提取每个窗口最小值、平均值和最大值。对各分量采用极限学习机分别建立预测模型,为了提高预测精度、缩小区间范围,采用改进布谷鸟算法对预测模型的参数进行优化。最后将所有分量的预测结果进行叠加,实现风速区间预测。以风电场实际数据为算例,结果表明所提方法具有较高的预测精度和可靠的多步区间预测,且运行效率高,能有效跟踪风速变化。

关键词： 学困生   预测   极限学习机  

摘要： 高校学困生预测方法的研究正越来越受到研究者的关注,但目前还没有一种成熟有效的学困生预测方法。针对该问题,文章提出了一种大数据环境下基于极限学习机的学困生预测方法,并以中国海洋大学2011级学生的学籍信息、心理测试得分、第一学期考试成绩为输入变量,以学生的学困情况为输出变量,进行了极限学习机的训练;同时,以2012级学生数据作为测试集输入极限学习机进行测试。测试结果表明,约有46%的学困生被准确预测,7%的非学困生被误判,此预测结果验证了文章所采用方法的有效性。

关键词： 蓄电池   荷电状态   核极限学习机   Cholesky分解   在线预测  

摘要： 为对蓄电池荷电状态(SOC)进行准确、快速的在线预测,提出一种改进的在线核极限学习机方法(IO-KELM),以电池工作电压、电流和表面温度为输入量,电池SOC为输出量建立预测模型。IO-KELM采用Cholesky分解将核极限学习机(KELM)从离线模式扩展到在线模式,使网络输出权值随新样本的逐次加入递推求解更新,以简单的四则运算替代复杂的矩阵求逆,提高了网络的泛化能力和在线学习效率。仿真实验表明,相比于KELM及直接在线建模的KELM算法(DO-KELM),IO-KELM具有更高的预测精度、更强的鲁棒性及更快的计算速度。

关键词： 集合经验模态分解   近似熵   极限学习机   精对苯二甲酸  

摘要： 针对现有工业过程非平稳时间序列中的特征提取及预测问题,提出了基于快速集合经验模态分解(fast ensemble empirical mode decomposition,FEEMD)、近似熵(approximate entropy,AE)和反馈极限学习机(feedback extreme learning machine,FELM)的组合模型。首先,针对复杂非平稳时序数据,采用FEEMD方法将其分解为从高频到低频的相对平稳的本征模态函数分量和余项;其次,为解决经过FEEMD分解出来的分量复杂度问题,运用近似熵(AE)计算分量复杂度并进行特征重构,以降低分量复杂性;然后,基于传统ELM结构,通过引入反馈机制,在输出层与隐含层之间增加反馈层用来记忆隐含层输出数据,并计算数据趋势变化率动态更新反馈层输出,形成反馈极限学习机(FELM),对非线性动态系统的下一时刻输出进行预测;最后,将所提出的组合预测模型通过UCI标准数据集与精对苯二甲酸(PTA)溶剂系统进行建模仿真,仿真结果表明,提出的组合模型预测方法能够得到较高的预测精度,为实际生产操作优化提供了一定的指导。