关键词： 极限学习机   径向基神经网络   成绩预测   田径竞赛  

摘要： 为实现体育竞赛成绩的高效和快速预测,针对极限学习机预测结果易受其初始参数选择的影响的问题,结合果蝇优化算法的快速寻优能力,提出一种基于果蝇算法优化极限学习机的体育竞赛成绩预测模型(FOA-ELM)。选择第24届~第30届奥运会男子100m等7项田径赛冠军成绩为研究对象,进行滚动预测,研究结果表明,与PSO-ELM、GA-ELM、SOAELM、DE-ELM和ELM相比较,FOA-ELM具有更高的预测精度和计算效率,效果较好,具有较高的实际应用价值。

关键词： 食产量   灰度模型   极限学习机   预测  

摘要： 为提高粮食产量预测的准确性,针对我国粮食产量的数据特点,采用灰度和极限学习机相结合的组合预测模型对我国粮食产量进行短期精准预测。首先从原粮食序列中选取适量距离待预测年份较近的产量数据构成子序列,对该序列建立灰度预测模型,并计算模型预测误差。然后对原序列进行归一化处理,进而建立序列的极限学习机预测模型并计算模型的预测误差,以反映序列的长期变化规律。最后,根据2个模型的预测误差得到模型的权重系数,进而由2个模型的预测值组合得到最终的粮食产量。通过应用1949—2013年我国粮食产量数据对该模型进行验证表明,该组合方法能够准确预测3年的粮食产量,预测平均误差约为1.19%,预测精度明显好于灰度模型和极限学习机模型。

关键词： 神经网络   极限学习机   锂电池   健康状态   预测  

摘要： 使用传统的物理化学方法来预测锂电池的健康状态效率低下且精度不高。为此,本文提出使用极限学习机来对蓄电池的健康状态进行预测。首先对提取出的特征数据集进行归一化预处理;然后,在训练集上使用网格搜索技术优化极限学习机的模型参数。在测试集上和其他方法的对比实验结果表明:基于极限学习机的锂电池健康状态预测方法性能优秀,有着实际应用的前景。

关键词： 医院管理   相似日   极限学习机   门诊量   预测  

摘要： 目的:研究相似日和极限学习机(ELM)的方法在医院门诊量短期预测中的应用,提高医院门诊量预测水平。方法:以某医院2010年10月至2016年1月日门诊量数据为实验样本,按照相似日原理,将历史门诊量数据按日类型分类,对数据进行预处理后分别建立极限学习机预测模型,并对模型进行训练和测试。结果及结论:选用平均绝对误差和平均相对误差作为评价指标,仿真实验结果表明,该方法预测精度较高,可作为医院门诊量预测的一种有效方法。

关键词： 短期负荷预测   多变量天气因子   核主成分分析   极限学习机  

摘要： 电力负荷预测的影响因素很多,需要综合考虑多个指标。各种指标间的关系通常是非线性的,采用线性主成分分析(PCA)往往会出现各主成分的贡献率太过分散,找不到具有全面综合能力的成分的情况。核主成分分析(KPCA)作为非线性主成分评价模型,通过核技巧,规避了非线性主成分分析(NLPCA)中非线性变换的未确知性,获得的主成分的贡献率比较集中,得到的评价结果更符合客观事实。采用KPCA来改进极限学习机(ELM)神经网络的输入量,兼顾了各个指标间非线性关系,以保留大部分原始信息为前提,有效的降低了输入维数,以极限学习机为预测模型,对实际电网中的负荷数据进行预测分析,结果表明,KPCA-ELM方法有效地提高了预测精度。

关键词： 构造煤   煤与瓦斯突出   地震属性   极限学习机   粒子群算法  

摘要： 煤与瓦斯突出是煤矿煤炭生产过程中面临的主要动力灾害之一。研究表明,在有发生煤与瓦斯突出的矿井中,煤层均发育一定程度的构造煤,且构造煤厚度越大,瓦斯突出的危险性越严重。因此,如果能够准确预测出煤层中构造煤的厚度,将对煤矿的安全管理和煤层气的开发与利用起到至关重要的作用。针对目前构造煤厚度预测方法精度不高的问题,提出利用粒子群算法优化极限学习机的方法来对构造煤厚度进行预测。首先,利用主成分分析技术对三维地震属性进行降维处理,在降低地震属性维数的同时,消除变量之间的相关性;之后,构建了基于全局多项式核函数和局部高斯径向基核函数的混合核极限学习机模型,并利用粒子群算法优化混合核极限学习机的核参数;同时,针对粒子群算法较易陷入局部最优的问题,在粒子群算法中加入模拟退火的思想、随迭代次数减小的惯性权重以及基于随机反向学习的变异操作,使粒子群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性能,在核函数的基础上加入L2正则项,有效的避免了噪声和异常点对模型泛化性能的影响。最后,本文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,并将已知钻孔点的预测数据提取出来与实际的钻孔值相比较,具有较高的吻合性。为了进一步探究模型的性能,将本文提出的改进模型与BP神经网络模型以及运用K折交叉验证优化参数的支持向量机模型进行对比实验,最终均取得了更优的预测结果。因此,本文提出的预测模型预测精度较高,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： 林火天气指数   火险等级   过火面积   模糊预分类   极限学习机  

摘要： 森林火灾是一类严重的自然灾害,给国民经济和生态环境的健康持续和稳定发展带来了极大的安全隐患,及时准确地对森林火险进行监控和预测是降低林火损失的重要手段。目前针对森林火险预测领域的研究已取得了较好的成果,主要进行了林火预测和趋势分析、实时火灾的关联规则挖掘、火灾事件序列的模式检测、聚类分析和火点识别等方面的研究。这些研究主要使用了回归方法的改进、集成和多源数据的融合等算法或技术以提高火险预测的准确率。但其在数据不断增加的情况下,会导致模型的预测准确率低、鲁棒性弱、以及算法的计算复杂度高等问题,即实用性较差,不利于有效管理口益增长的森林火险数据库。本文针对这些问题,提出了基于模糊预分类(Fuzzy Pre-classification)和极限学习机(Extreme Learning Machine,ELM)模型的森林火险定性与定量预测方法,分别从提高准确率、增强鲁棒性以及降低计算复杂度等方面优化现有算法。实验结果表明,随着森林火险数据库规模的不断扩大,该模型与传统模型对比具有较高的预测准确率和更强的鲁棒性。本文的主要工作有:(1)使用模糊预分类方法对森林火灾数据库进行管理。本文根据林火天气指数(Fire Weather Index,FWI)的值定义输入的隶属函数参数。针对每一个实验样本,模糊分类器将其归类到对应的子数据库中,分类器的输出分别是S组,M组,L组。分别对每个子数据库的样本进行森林火险等级以及过火面积的预测。(2)使用极限学习机(Weighted Extreme Learning Machine,W-ELM)实现森林火险等级的预测。首先,使用t-SNE算法进行特征抽取得到主成分序列作为极限学习机的网络输入。接下来,重新加权处理训练数据,将不同的惩罚系数添加到对应于不同输入的训练误差中。采用Memetic算法优化加权极限学习机(Weighted Extreme Learning Machine,W-ELM)的输入层和隐含层连接权值和偏置值,并且将W-ELM的隐含层节点进行分类,将隐含层分为多个子模块。最后,极限学习机的网络输出为森林火险等级。(3)在森林火险等级预测的基础上分别预测每一类(火险等级)样本的过火面积。将特征集分为四类,根据最佳均值、方差以及协方差分割输入的每个连续特征,并以给定的置信度对目标数值变量进行稳定的区间预测,即分别将每个特征集结合间隔预测树(Interval Prediction Tree)算法实现对过火面积的预测。

关键词： 气象因子   脑血管发病人数   极限学习机   粒子群优化算法   预报  

摘要： 脑血管疾病的发病具有很大的随机性和不确定性,受到众多因素的影响,其中气象因素是很重要的影响因素,通过相关研究建立了基于气象数据的脑血管疾病发病人数预测模型能够为脑血管疾病的防治提供参考。基于以上的情况,本文主要进行了以下研究:1.首先对脑血管疾病发病的现状进行了解,对脑血管疾病发病人数预测的方法以及影响因子进行了探究和总结。在目前脑血管疾病发病现状和预测方法技术不足的基础上,确定本课题的研究内容。2.根据问题的特点,本文提出利用极限学习机进行脑血管发病人数的预测。极限学习机算法相对于传统机器学习的算法具有优越性,但是也存在一些局限性,为提高核函数逼近能力,本文提出一种高斯核与小波核组合的核函数,构造组合核极限学习机,提高核极限学习机在处理多维的数据时的精度。3.为提高组合核极限学习机性能,提出利用粒子群算法优化组合核极限学习机参数,引入反向学习初始化方法和高斯变异操作,提高粒子群算法的优化能力。最后利用MATLAB进行仿真实验,通过实验证明,改进后的粒子群算法(MPSO)具有更好的寻优能力。4.利用MPSO全局搜索的能力,优化组合核极限学习机的核参数。同时,根据气象数据和脑血管发病人数的相关性,建立基于气象数据的MPSO优化组合核极限学习机的脑血管发病人数预测模型,利用过去七天和未来七天的气象数据,对脑血管疾病发病人数进行每七天的预报。以郑州市2015-2016年的数据为例,进行仿真实验,通过与PSO-ELM算法,SVM算法,BP神经网络等算法对比,结果表明,MPSO优化组合核极限学习机算法具有更显著的性能,该算法能够更好地解决发病人数预测的问题。脑血管发病人数的预报能够实现对脑血管发病人数监测和防治,为有关卫生管理部门进行科学的决策提供强有力的信息支持,随着慢性病数据的逐渐积累,该模型可为省内其他地区的预警预报作参考。

关键词： 交通安全   事故严重程度   机器学习   极限学习机   BP神经网络  

摘要： 目前而言,虽然对交通事故评价指标(交通事故起数、死亡人数、受伤人数、直接经济损失)的预测内容已经很多,但是交通事故研究的目的在减少交通事故数量的同时,也需要降低交通事故严重程度。因此,本研究先从影响交通事故严重程度的影响因素入手,找到影响交通事故严重程度的人、车、路、环境四因素中的12项影响因素,分别给出了量化结果。道路交通事故的发生与其诱因之间表现出多种影响因素、繁复的非线性关系,很难用简单的公式和函数描述这种关系。神经网络的自学习和自适应性、分布和并行性、容错性和鲁棒性等特点,可以使网络从数据中挖掘规律,从而使掌握交通事故的发生规律成为可能。神经网络因其处理非线性问题的优势,使得预测交通事故与人、车、路等因素之间的内在关系成为可能。极限学习机是单隐层前馈神经网络,作为BP神经网络的改进,克服了BP神经网络需要设置大量的网络训练参数的缺陷,并且容易产生局部最优解的问题,交通事故严重程度的预测适合用极限学习机建模预测。研究选取某城市的道路交通事故数据,利用基于LM算法(Levenberg-Marquardt)的BP神经网络与极限学习机,分别建立事故严重程度的预测模型,从样本集中随机抽样80%用来估计模型,剩余样本用作验证模型。通过对测试集的期望值和网络输出值进行比较,结果表明,极限学习机比BP神经网络的预测性能更好。

关键词： 短期负荷预测   概率分析预测   核主成分分析   自适应差分进化ELM  

摘要： 随着国民经济的发展,电力行业所面临的挑战日益增多。对于电力行业整体而言,负荷预测具有重要意义。实现精准的负荷预测,尤其是在短期负荷预测方面,对于提高电网运行效益,提升电网运行的可靠性和安全性,具有关键意义。本文研究基于概率分析和改进极限学习机的电力负荷短期预测。首先,阐述电力负荷的分类情况及负荷的变化特点,剖析了影响负荷变化的诸多外界因素,通过浙江某市的负荷和气象数据的分析,分析了负荷的特性。其次,针对单一变量的负荷预测,引入相似日的方法,在相似日的选取中引入k最邻近(k-Nearest Neighbor,k-NN)学习理论,结合平均影响值(Mean Impact Value,MIV)算法评估了影响负荷变化的因素,并对主导因素进行了选取,综合筛选出的天气因子、星期类型等变量,通过计算各个历史日与待预测日间的欧氏距离,选取欧氏距离小于设定阈值的历史日作为相似日,通过对浙江某市的实测数据进行分析,验证方法在选取相似日时的合理性。提出相似日结合神经网络分位数回归的负荷概率分析预测方法。对非参数核密度估计(Kernel Density Estimation,KDE)理论和神经网络分位数回归(Neural Network Quantile Regression,QRNN)模型进行阐述,并使用所提的方法同正态分布和核密度估计方法,分别对浙江某市实测的负荷数据进行分析处理,从点预测和区间预测的角度,评估所提方法在实现负荷预测时的可行性和有效性。然后,针对多变量天气因素间数据相关、信息互嵌的特点,采用核主成分分析(Kernel Principal Component Analysis,KPCA)对数据做降维处理,简化结构,同时对不同核函数及参数差异下的核主成分分析进行了探讨与分析,并与主成分分析结果进行对比,确定了混合核KPCA为适合处理多变量天气因子数据的有效方法。引入自适应差分进化(Self-adaptive Differential Evolution,SaDE)算法改进的极限学习机(Extreme Learning Machine,ELM),对多变量数据建立预测模型,将E-ELM、DE-LM和SaDE-ELM三者的性能进行了比较。仿真分析验证了KPCA-SaDE-ELM模型的有效性。