关键词： 网络流量   极限学习机   小波分析   相空间重构  

摘要： 提出一种混沌理论和极限学习机的网络流量预测模型.首先对网络流量时间序列进行小波分解得到不同分量,然后采用混沌理论对各分量进行相空间重构,并利用神经网络中的极限学习机进行建模,得到各分量的预测结果,最后采用对分量的预测值进行叠加组合,并采用具体网络流数据集进行模拟测试.相对于其他模型,混沌理论和极限学习机的网络流量预测模型能准确地反映网络流量的变化特性,获得更高精度的预测结果.

关键词： 电力   预测   极限学习机  

摘要： 对日前市场电价的预测有多重方法,在众多智能算法中,多极限学习机融合算法研究的还不够深入。而在常规的预测模式下,往往因为可靠性和精度等级不够而影响预测结果。极限学习机日前电价预测模型的建立,从理论上仿真了实际电价,这种方法不仅仅考虑了日前电价的几个曲线特性,将各类信息整合在一起输入,简化了预测手段,输出结果可靠且高效。经过多次的实地测试,对比模型输出量与实际结果,发现这种预测方法非常可靠。

关键词： 极限学习机   相空间重构   矿浆浓度   预测  

摘要： 选矿过程中的矿浆浓度是一个重要的生产工艺参数,一般可以通过预测矿浆浓度来提高生产效率。由于矿浆浓度和其他的生产工艺参数往往非线性相关,这给矿浆浓度的预测带来了很大困难。本文针对此问题,基于极限学习机这一面向神经网络的新颖学习算法,提出了一种矿浆浓度预测新算法。首先,使用相空间重构方法对矿浆浓度数据进行预处理,从一维转换到多维。然后,使用基于L2范数的极限学习机算法(ELM-L2)建立时序预测模型,实现预测功能。围绕来自于某矿厂的真实生产数据进行了实验验证,结果显示,针对大规模的数据样本集,所设计的算法与传统神经网络预测算法相比,训练时间大约减少了30%,而预测精度大约提高了48%。实验结果表明了所设计预测算法的有效性。

关键词： 核极限学习机   优化方法   时间序列   预测  

摘要： 针对时间序列预测,在单隐层前馈神经网络的基础上,基于进化计算的优化策略,提出了一种优化的核极限学习机(optimized kernel extreme learning machine,O-KELM)方法.与极限学习机(extreme learning machine,ELM)方法相比,核极限学习机(kernel extreme learning machine,KELM)方法无须设定网络隐含层节点的数目,以核函数表示未知的隐含层非线性特征映射,通过正则化最小二乘算法计算网络的输出权值,它能以极快的学习速度获得良好的推广性.在KELM的基础上,分别将遗传算法、模拟退火、微分演化三种进化算法用于模型的结构输入选择、正则化系数以及核参数的优化选取,以进一步提高网络的性能.将O-KELM方法应用于标准Mackey-Glass混沌时间序列预测及某地区的风电功率时间序列预测实例中,在同等条件下,还与优化的极限学习机(optimized extreme learning machine,O-ELM)方法进行比较.实验结果表明,所提出的O-KELM方法在预测精度上优于O-ELM方法,表明了其有效性.

关键词： 多步区间预测   聚类经验模态分解-样本熵   极限学习机   多策略自适应差分进化  

摘要： 针对风电功率序列的不确定性和随机性特征,提出一种基于聚类经验模态分解-样本熵和优化极限学习机的多步区间预测模型。首先,利用聚类经验模态分解-样本熵方法将原始风电功率序列分解为一系列复杂度差异明显的子序列。然后,分别对各子序列建立基于上下界直接估量的区间预测模型。为分析不同区间构造的差异,提出一种体现训练目标值偏离区间范围影响的新型区间预测评估指标作为目标函数,并采用基于混沌萤火虫结合多策略融合自适应差分进化的优化算法寻求其最优解,以提高模型预测性能。最后,以某一风电场实际功率数据为算例,验证了所提模型能获得可靠优良的多步区间预测结果,可为风电功率多步不确定性预测提供一种新的有效途径。

关键词： 人工神经网络   自适应集成   选择性集成   在线极限学习机  

摘要： 本文针对单个在线极限学习机输出不稳定的情况,提出一种自适应集成在线极限学习机算法(ASEOSELM)。算法首先初始化多个在线极限学习机模型,然后根据到达的每一批次数据的训练误差及其方差自适应地调整各个在线极限学习机的集成权重,并动态删除那些小于设定阈值的模型以提高算法的训练速度,最后选择准确度高、泛化能力好的模型用于集成预测。通过函数拟合、UCI数据集以及真实股价预测实验表明,文中提出的ASE-OSELM算法相比传统的OSELM、LS-SVM和BPNN算法具有更高的预测准确度和抗干扰能力。

关键词： 短期电力负荷预测   流形正则化   极限学习机   贝叶斯优化算法   平均相对误差   方差  

摘要： 为提高短期电力负荷预测的精度与效率,提出一种改进流形正则化极限学习机的短期电力负荷预测方法;首先,为了改善极限学习机(ELM)的泛化性能与效率,并解决随机初始化参数导致极限学习机存在的潜在问题,采用流形正则化理论优化极限学习机;其次,针对流形正则化极限学习机中参数的选择,以及流形正则化极限学习机隐层节点选择的问题,提出将贝叶斯优化算法(BOA)融入到流形正则化极限学习机中以优化流形正则化极限学习机(MRELM)。最后,通过实验数据分析,改进流形正则化极限学习机预测方法将预测平均相对误差降低到了1.903%,30次实验的平均相对误差的方差降低到了1.9‰,平均单次运行时间降低到了6.113 s。

关键词： 土壤硝态氮   离子选择电极   能斯特模型   极限学习机  

摘要： 利用极限学习机模型解译高氯离子干扰下盐碱土中硝酸根离子选择电极响应信号,系统分析了漂移校正算法、能斯特及极限学习机模型对电极法硝态氮(NO^-_3-N)预测结果准确性的影响差异。结果表明,漂移校正算法可明显提高传感器标定方程的重复性和一致性,响应斜率及截距电位的波动范围分别缩小了3.67%和7.25%;极限学习机模型的最优隐含层节点数为14;基于极限学习机的电极法NO^-_3-N质量浓度预测模型可较好抑制盐碱土中氯离子干扰,与标准检测结果之间的最大绝对误差和均方根误差分别为6.36 mg/L和4.02 mg/L。相关研究结论可为电极法测土过程中的信号校正、数据处理模型和模型参数选取提供参考。

关键词： 网络流量预测   核极限学习机   组合核函数   混沌粒子群   经验模态分解  

摘要： 为了提高网络流量预测的精度,针对网络流量数据具有非线性、非平稳的特点,提出一种基于经验模态分解(EMD)和混沌粒子群算法优化组合核极限学习机的网络流量预测模型。首先将网络流量时间序列进行EMD分解,提取网络流量数据的各个分量,然后分别对各个分量采用核极限学习机进行预测,最后重构出预测结果。针对传统核极限学习机拟合能力的不足,提出一种基于高斯核和多项式核组合的组合核极限学习机,并且采用改进的混沌粒子群算法优化组合核的核参数组合权值以及惩罚因子,并将其应用到网络流量预测中。实验结果表明,该方法可以有效提高网络流量预测的精度,有助于指导网络资源的合理分配和规划。