关键词： 加权极限学习机   多变量时间序列   预测   kN近邻密度估计  

摘要： 提出一种基于样本分布的极限学习机预测模型WELMSD.该模型先用kN近邻密度估计方法估计出样本的密度值,再用估计出的密度值给传统ELM的经验风险项加权,克服传统ELM在对时间序列进行预测时忽略样本分布的缺点.基于Rossler混沌时间序列和上证、深证股票数据的实验仿真结果证明了所提算法的有效性,且当近邻参数k_N取值较小时,所提模型对参数不敏感,是一种更优的多变量时间序列预测模型.

关键词： 机场噪声预测   快速极限学习机   差分进化   相空间重构  

摘要： 该文针对传统机场噪声预测模型存在的建模成本高、实用性差的不足,引入时间序列相空间重构理论,提出一种新的基于快速极限学习机和差分进化算法的机场噪声一体化预测模型。该模型利用相空间重构理论对机场噪声时间序列进行重构,并使用快速极限学习机对重构的相空间矢量进行学习建模,同时采用改进的差分进化算法实现对重构参数和模型参数的同步优化选择,整个建模过程简洁高效,无需人工干预。实验结果表明,该一体化预测模型能较好地跟踪机场噪声的变化趋势,且具有较同类模型更小的预测误差。

关键词： 火焰自由基   数字图像处理   极限学习机   NOx排放   预测  

摘要： 火焰自由基对深入了解燃烧机理起着重要作用。通过数字成像研究火焰自由基光谱特征,并利用该特征参数建立极限学习机(ELM,Extreme Learning Machine)模型,以试验数据与数字仿真相结合的方法实现在生物质燃烧中对NOx的排放在线预测。用电子倍增CCD(EMCCD)相机采集火焰中的四种自由基OH*,CN*,CH*和C_2*的数字图像,采用模糊C均值聚类法(FCM,Fuzzy C-Means)进行图像分割并提取特征值,结合燃烧火焰温度,利用极限学习机进行NOx排放预测建模。采用燃气燃烧试验炉上的试验数据验证了预测模型的有效性。

关键词： 甲板态势预测   在线序贯极限学习机   信息更新   遗传算法  

摘要： 在舰船摇荡运动无法有效抑制时,可利用惯性导航系统实时测量甲板运动,并利用甲板运动的当前以及历史数据对未来时刻的甲板运动进行预测,以提高舰载机的起降安全性。然而甲板摇荡运动作为风浪、潮汐等共同作用的产物,具有较强的非线性、随机性和时变性。针对上述特性,引入具有信息实时更新功能的在线序贯极限学习机(OS-ELM)方法对甲板运动态势进行预测。该方法通过实时更新参与模型解算的样本数据,具有计算量小、学习映射能力强的优点。针对OS-ELM中存在的隐含层节点个数选择,以及甲板态势预测中出现的样本个数、历史数据长度等参数选择问题,引入遗传算法(GA)进行寻优。基于模拟甲板摇荡数据的仿真表明,该预测方法可以实时跟踪甲板运动的实时性变化,并对甲板运动态势进行预测。

关键词： 粒子群   在线连续极限学习机   集成算法   投票算法  

摘要： 气候变化预测问题研究迫在眉睫。提出一种基于粒子群优化的集成算法,用在线连续极限学习机作为基分类器,根据不同的激励函数集成基分类器,用粒子群算法优化集成分类器的权值,投票得出最终结果。实验结果表明,该方法与基于梯度的算法相比,具有较高的准确率、g-mean及较好的灵活性。

关键词： 极限学习机   锂离子电池   荷电状态   预测  

摘要： 建立了基于极限学习机(ELM)神经网络的锂离子电池荷电状态(SOC)预测模型,并针对ELM神经网络初始权、阈值的随机性特点,采用GAPSO算法对ELM神经网络初始权值进行优化,提高了预测模型的精度。仿真表明,GAPSO-ELM神经网络比ELM神经网络预测精度有很大提高,较QPSO-BP神经网络最优解收敛速度更为迅速,在锂离子电池SOC预测方面具备了较强的实用性。

关键词： 采煤机   功率预测   极限学习机   支持向量机   模型推理  

摘要： 为减少对领域专家的过分依赖,实现企业专家经验知识的继承,面向采煤机方案设计中总体技术参数的确定过程,结合采煤机条件属性与决策属性间的映射关系,提出了基于极限学习机的采煤机功率预测模型。采用遗传算法选定最佳隐层神经元个数,利用递进方式比选确定激励函数,随机产生输入权值及隐元偏置,由此计算隐层节点输出矩阵、隐层与输出层连接权重,进而完成建模与优化。模型可根据用户输入的不同原始设计条件输出采煤机功率的预测值。选用某煤机企业的实例数据进行算例分析,将其与基于支持向量机回归预测模型进行对比,实验结果表明,ELM模型可实现600 ms内完成单次功率预测,预测值与真实值平均相对误差在2.5%以内。其预测精度优于SVM模型,且在学习速度方面优势明显,推理效率显著提高。

关键词： 燃气负荷   差分进化   极限学习机   人工神经网络   隐含层节点  

摘要： 介绍极限学习机(ELM)的原理,将差分进化算法(DE)引入极限学习机,通过Matlab建立基于差分进化极限学习机预测模型。实例证明DE-ELM算法能实现快速确定最优的输入层到隐含层的连接权值和阈值,提高神经网络的整体稳定性和预测精度。

关键词： 地铁隧道   沉降预测   极限学习机   熵权   遗传算法   影响因素  

摘要： 针对目前的地铁隧道沉降变形预测方法忽略了对沉降变形影响因素的综合协调考虑这一问题,该文将遗传算法(GA)结合极限学习机(ELM)的方法引入地铁隧道沉降变形预测。该方法借助最大信息熵理论,充分挖掘地铁隧道沉降主要影响因素与沉降量间的信息特征,并将遗传算法与极限学习机相耦合,利用遗传算法的全局搜索能力获取ELM神经网络优化的初始权值和阈值,形成熵权遗传算法-极限学习机模型,并编制相应计算程序。采用该模型对西安某地铁隧道沉降变形进行预测,并与遗传算法-极限学习机、极限学习机、传统的BP神经网络预测结果进行比较,结果表明熵权遗传算法-极限学习机模型与实测值吻合更好,预测结果更稳定。

关键词： 电力负荷   预测精度   蝙蝠算法   极限学习机   预测模型  

摘要： 为提高电力负荷预测的准确性,提出蝙蝠算法优化极限学习的电力负荷预测模型.首先收集电力负荷历史数据,然后采用蝙蝠算法对延迟时间和嵌入维以及极限学习的隐含层结点数目进行优化,利用电力负荷历史数据进行重构,最后采用最优隐含层结点数目的极限学习机建立电力负荷预测模型,并采用具体数据仿真测试.实验结果表明:模型建立了整体性能优异的电力负荷预测模型,提高了电力负荷的预测精度.