关键词： 极限学习机   激活函数   ARMA模型   残差修正   地空导弹   生存能力  

摘要： 针对极限学习机算法采用固定激活函数以及残差无法修正等缺陷,提出了基于残差预测修正的可调激活函数极限学习机算法(RV-ELM)。在学习过程中,采用粒子群优化算法选择陡度、位置和映射范围等参数,并使用ARMA模型对可调激活函数极限学习机(V-ELM)的预测值与实际值之间构成的残差序列进行建模、修正V-ELM的预测值。通过基准数据集仿真实验,验证了方法的有效性和可行性;并将其应用于地空导弹生存能力预测中,获得了满意的结果。

关键词： 血糖预测   低血糖预警   自适应噪声完整聚合经验模态分解   极限学习机  

摘要： 糖尿病患者的血糖浓度时间序列具有时变、非线性和非平稳的特点,为提高血糖预测精度,提出一种自适应噪声的完整聚合经验模态分解(CEEMDAN)与极限学习机(ELM)相结合的短期血糖预测模型。首先,利用CEEMDAN方法将患者的血糖浓度时间序列进行分解,得到不同频段的血糖分量IMF(本征模态函数)和残余分量,以降低血糖时间序列的非平稳性;然后对各血糖分量IMF和残余分量分别构建极限学习机,并将各极限学习机的预测结果融合,获得患者未来血糖浓度的预测值,提高预测精度;在此基础上,进行低血糖预警。利用从河南省人民医院内分泌科采集的56例患者的数据进行模型检验,结果表明:与ELM模型和EMD-ELM模型相比,CEEMDAN-ELM短期血糖预测模型提前45 min的预测仍可达到较高预测水平(RMSE=0.205 1,MAPE=2.116 4%);低血糖预警虚警率和漏警率分别为0.97%和7.55%。血糖预测时间的延长,可以为医生和患者提供充足时间进行血糖浓度控制,提高糖尿病治疗的效果。

关键词： NOx排放   海量数据   MapReduce   分布式极限学习机  

摘要： 提出了一种改进的分布式极限学习机的电站锅炉NO_x排放特性建模方法。引入分布式和岭回归理论,提升了极限学习机预测算法的泛化性能和预测准确率。采用改进的MapReduce编程框架对提出的算法模型进行并行化改进,提高其处理大数据的能力。选用某660 MW电站锅炉提供的真实运行数据进行分析,并在Hadoop集群上进行实验,结果表明该模型对NO_x排放有着较好的拟合和预测能力,且提出的算法具有优异的并行性能。

关键词： 小脑模型极限学习机   电力负荷预测   小波分解   bootstrapping   预测区间  

摘要： 本文提出一种小脑模型极限学习机,并应用于电力负荷的不确定性预测。在预测过程中,考虑模型和数据的不确定度,并结合bootstrapping技术对不确定度进行量化,进而建立预测区间。此外,为了进一步提高预测精度,小波分解技术被用于数据的预处理。文中使用宁德供电局的历史负荷数据来测试模型,实验结果表明模型具有优秀的预测性能。

关键词： 电场屏蔽   预测   加权正则化极限学习机   分子微分进化算法   屏蔽线  

摘要： 为解决超高压输电工程所面临的电场环境超标和环境治理成本过高的问题,该文提出以屏蔽效果最优和屏蔽成本最低为综合目标对民居附近的畸变电场进行多目标优化屏蔽。鉴于屏蔽方式与屏蔽效果之间难以直接用数学函数准确描述,提出先利用有限元软件仿真数据建立基于新型加权正则化极限学习机算法的屏蔽效果预测模型,然后基于此预测模型,采用分子微分进化算法对屏蔽线架设条数及其架设位置进行多目标优化求解。研究结果表明,该文方法可合理优化屏蔽线架设参数,得到成本更少而屏蔽效果更好的屏蔽方案,同时也为超高压输电畸变电场的屏蔽提供了新思路。

关键词： 短期负荷预测   极限学习机   人工蜂群  

摘要： 针对极限学习机(Extreme Learning Machine,ELM)在训练前随机产生输入层权值和隐含层阈值导致输出结果不稳定,影响短期负荷预测精度的缺陷,提出基于人工蜂群(Artificial Bee Colony,ABC)算法改进ELM(ABC-ELM)的短期负荷预测新方法。首先,选用历史负荷、外界气象因素和待预测日星期类型等属性构成ELM输入向量,以负荷值为输出,构建ELM模型;其次,采用ABC对ELM输入层权值和隐含层阈值进行优化;最后,根据优化参数,建立基于ABC-ELM的负荷预测模型,并以该模型开展负荷预测。根据国内某大型城市实测负荷数据开展实验,验证方法有效性。实验结果证明ABC-ELM较ELM和BP神经网络具有更高的稳定性和预测精度。

关键词： 电力变压器   顶层油温   区间预测   核极限学习机   Bootstrap方法  

摘要： 为准确估计变压器热状态,提出了一种基于核极限学习机和Bootstrap方法的变压器顶层油温区间预测模型。首先通过Bootstrap采样得到L组训练样本,分别训练L个核极限学习机模型对顶层油温进行拟合回归点预测;然后训练一个核极限学习机模型对顶层油温观测噪声方差进行回归估计;最后根据这L+1个核极限学习机模型的结果估计在某置信水平上的顶层油温的预测区间。算例仿真结果表明,该方法可以较好地考虑变压器顶层油温预测模型的不确定性,得到较为准确可靠的顶层油温预测区间;采用核极限学习机算法的顶层油温区间预测结果的不确定性小于BP神经网络和极限学习机,与采用支持向量机算法区间预测模型相当,但计算速度明显优于支持向量机。相比于传统的顶层油温点预测方法,所提区间预测方法可以为变压器的热状态估计、安全运行等提供更为合理和充分的辅助依据。

关键词： 深度学习   核磁共振测井   渗透率   深度置信网络   深度置信-核极限学习机  

摘要： 由于低孔低渗储层孔隙结构较为复杂,现有核磁共振(NMR)测井渗透率模型对于低孔低渗储层预测精度不高。为此,提出一种融合深度置信网络(DBN)算法与核极限学习机(KELM)算法的渗透率预测方法。该方法首先对DBN模型进行预训练,然后将KELM模型作为预测器放置在训练好DBN模型后,利用训练数据进行有监督的训练,最终形成深度置信-核极限学习机(DBKELMN)模型。考虑到该模型需充分利用反映孔隙结构的横向弛豫时间谱信息,将离散化后的核磁共振测井横向弛豫时间谱作为输入,渗透率作为输出,确定NMR测井横向弛豫时间谱与渗透率的函数关系,并基于该函数关系对储层渗透率进行预测。实例应用表明,融合DBN算法与KELM算法的渗透率预测方法是有效的,预测样本的平均绝对误差(MAE)较斯伦贝谢道尔研究中心(SDR)模型降低了0.34。融合DBN算法与KELM算法的渗透率预测方法可提高低孔渗储层渗透率预测精度,可应用于油气田勘探开发。

关键词： 极限学习机   分类器   蛋白质相互作用  

摘要： 蛋白质间的相互作用参与到生命活动的全过程,对它的研究有助于揭示生命活动的机制.本文采用基于序列的计算方法对蛋白质间的相互作用进行预测.首先,将蛋白质序列转换为蕴含生物进化信息的位置特异性得分矩阵,然后抽取出数值化描述符的特征信息,最后利用极限学习机分类器对其潜在的相互作用进行预测.我们在酵母和幽门螺旋杆菌数据集上进行了实验,取得的准确率高达93.21%和84.87%.优异的实验结果证明,我们提出的模型可作为预测蛋白质相互作用的有效工具.

关键词： 降水   预测   协整理论   极限学习机   皖南地区  

摘要： 针对传统降水预测方式存在的不足,提出一种基于协整理论的极限学习机模型,该模型主要利用协整理论将相关序列信息引入,运用极限学习机(ELM)刻画非线性映射关系,并将该模型应用于皖南地区季度平均降水预测中。结果表明,该模型预测结果合理,且具有更佳的表现。