关键词： 航空发动机   实时监控数据   平均影响值   特征选择   极限学习机   神经网络  

摘要： 利用PW4000发动机的实时监控数据建立数据库,以平均影响值为评价标准进行了特征选择,筛选出8个特征参数作为模型输入,训练基于极限学习机算法的单隐层神经网络,建立了排气温度预测模型。用PW4000发动机的运行数据进行了模型验证,与误差逆传播算法进行了对比,并用发动机水洗恢复之后的数据进行了拓展性研究。测试结果显示利用平均影响值进行特征选择结果可信度较高,极限学习机的运算速度快于误差逆传播算法,有利于多次运算充分发挥其优势,整个算法误差较小,修正后的模型具有良好的拓展性。

关键词： 极限学习机   短期负荷预测   支持向量机   隐含层节点   日负荷  

摘要： 介绍极限学习机(ELM)的原理,提出极限学习机模型的城市燃气短期负荷预测方法。以重庆市某区域燃气日负荷、气温、日期类型及天气状况等数据为训练样本,采用归一化等预处理方法处理输入数据,通过确定最优隐含层节点数等建立最优极限学习机模型。将实际值和通过采用极限学习机与支持向量机(SVM)方法得到的燃气日负荷预测值进行对比,将采用极限学习机与支持向量机方法的训练时间和预测时间进行对比,极限学习机预测方法具有较好的预测精度,且训练时间短。

关键词： 时间序列预测   极限学习机   增量优化   电力负荷预测  

摘要： 为了提高电力负荷预测精度和速度,针对极限学习机在电力负荷预测中需要人工设定隐层节点数目的不足,提出一种采用增量优化极限学习机的电力负荷预测方法。增量优化极限学习机算法是通过一个快速增量输出权值更新方法,对其进行增量优化改进,提高极限学习机算法的泛化性。最后,采用Mackey-Glass混沌时间序列和真实电力负荷时间序列数据进行算法性能测试。此外将提出的算法与主流电力负荷预测算法——支持向量回归算法比较预测性能,实验结果表明增量改进的极限学习机学习算法在具有较快学习速度的前提下,依然能够获得较好的预测性能和泛化性能。

关键词： 极限学习机   遗传极限学习机   农作物   产量预测  

摘要： 农作物产量预测已经成为关系到国家粮食安全，调整宏观经济的一个重要工具，对我们国家社会的健康发展有重要的意义。极限学习机(ELM)已经被广泛地运用在很多领域，比如图像识别，生物信息等。遗传极限学习机通过加入遗传算法的改进，大大提高了这个算法的精确度。但是随着大数据时代的到来，两个主要的问题阻碍了这一算法的进一步应用。第一，该算法太耗时。第二，极限学习机算法和很多机器学习的算法一样，是需要在内存中操作的，这会大大降低算法的学习速度，提高在硬件上的要求。\n 本文中提出一种基于MapReduce的遗传极限学习机算法，因为极限学习机的网络训练过程中有大量的矩阵运算，逆转等运算，同时遗传算法个体之间的交叉演化和迭代过程中，很多复杂的步骤也可以通过MapReduce并行执行。所以提出在MapReduce框架下的遗传极限学习机算法，并且测试它的速度提升和基于核和Reducer函数的性质。同时将算法应用在我国粮食产量预测和美国不同地区玉米产量的预测。实验结果证明，该算法大大缩短了运行时间，同时在农产品产量预测上有着优异的表现。

关键词： 煤与瓦斯突出   预测模型   极限学习机   核主成分分析法   文化基因算法  

摘要： 较高精度的煤与瓦斯突出预测是煤矿安全生产的必要前提和保证。为了提高煤与瓦斯突出预测模型的预测精度,提出了一种改进的极限学习机煤与瓦斯突出预测模型。首先利用核主成分分析法对煤与瓦斯突出的影响指标进行降维简化处理,提取指标数据的主成分序列;把主成分序列分为训练样本和验证样本,然后在训练阶段,使用训练样本通过结合了全局搜索和局部搜索的文化基因算法对极限学习机的输入权值和隐含层偏差进行优化,得到最佳预测模型;最后,在最佳预测模型中,用验证样本对煤与瓦斯突出强度进行预测。通过实例验证,该模型能够有效预测煤与瓦斯突出强度。与BP、SVM、ELM、KPCA-ELM等预测模型相比,该模型具有更高的预测精度。

关键词： 农产品   价格预测   极限学习机   小波分析  

摘要： 农业是一个国家的经济命脉，农业生产关系着社稷民生，农产品价格稳定是国民经济稳定运行的有力保障。然而近些年农产品价格异常现象频发，严重影响正常的市场秩序，对正常的农业生产和居民日常生活带来了消极的影响。因此，分析和预测农产品价格波动状况，对于稳定民心以及控制物价水平的超常波动都具有十分重要的现实意义。\n 农产品价格序列普遍存在起伏波动大，且无明显变化规律的特点，传统的预测方法并不能很好地把握序列中隐藏的周期性和趋势性。为了克服传统预测方法的缺点和局限性，本文提出了一种基于小波分析和极限学习机的组合预测模型(WD-ELM)。该方法主要包括两部分内容:一是首先运用小波分析将原始价格序列分解为较平稳的近似分量和含噪声较多的细节分量，然后再次利用小波分析对含噪声较多的细节分量进行降噪，尽可能的降低噪声对预测效果的影响;二是分别将各个序列输入到极限学习机中进行学习，对各个序列做出有效预测后将各序列的预测结果叠加得到原始价格数据的预测值。\n 本文以北京新发地市场2002年至2015年红富士苹果的周平均价格数据为例，利用Matlab2012a对其进行建模分析，将极限学习机与单一神经网络模型的预测效果进行了比较分析。通过实验可知，极限学习机在预测农产品价格方面，无论是运行时间还是预测效果都要优于BP神经网络和Elman神经网络。\n 为了进一步提高预测精度，本文利用小波变换对原始数据进行了预处理，建立了WD-ELM组合预测模型。经验证，与传统的极限学习机以及未经去噪处理的组合预测模型相比，WD-ELM组合预测模型精度最佳，同时对于波峰、波谷处的数据预测精度明显提高，有效验证了本文所提算法的优越性及可行性。

关键词： 经验模态分解   相空间重构   极限学习机   气象要素预测  

摘要： 自古以来,气象科学的时效性和准确性影响到人类生产生活的方方面面,决定着社会的发展和稳定。随着时代的进步,人类对于气象科学的需求不断提升,但是某些方法或多或少存在着不同程度的问题,例如模型准确率不高,建模时间过久,受噪音影响太大等等,如何建立更加准确,有效的预测模型,是现今气象领域的一个重点科研话题。针对这一话题,本文提出了基于经验模态分解技术的相空间重构极限学习机的预测模型,对时序序列数据进行建模,采用经验模态分解技术来对数据进行去噪,利用相空间技术进行模式抽取,使得重构后的数据更加适合模型的构建,最后运用极限学习机技术进行建模。并且在真实的气象数据集上对所采用的三种技术以及所建立的模型进行性能测试,验证模型的有效性,对比于其他模型的,分析其优越性。本文所做的主要内容有以下三点:1)针对目前气象要素中的单要素时序序列数据的预测模型所存在的噪音问题,以及预测模型准确率不够高的问题,本文提出了基于经验模态分解方法的相空间重构极限学习机的预测模型的构建。利用经验模态分解技术,对原始数据进行去噪处理,降低其他不确定因素对于观测数据的影响,为后续处理提供更加有效准确的数据;对于时序序列数据,直接进行模型的构建存在一定的难度并且不容易获得成功的模型,为了有效恢复其动力学系统,从而使得重构后的数据更加适合规则的提取和模型的构建,本文采用相空间重构技术对气象单要素的一维时序序列的原动力学系统进行研究与拓扑重现;对于重构后的数据,采用极限学习机技术进行模型的构建,能够快速构建预测模型并且能有效保证模型的泛化能力。2)通过对经验模态分解方法原理的研究,本文分析了本征模函数分量筛选算法中阈值设定所存在的不足并进行了相应的改进。相对于传统的方式,本文给出一个新的定义公式,实现对于不同的分量能够凭借当前本征模函数分量的相关信息,设定动态筛选阈值,有效的选择相关性符合的本征模函数分量进行数据重组。动态的阈值设定能够更加有效的判定临界本征模函数分量的具体归属问题,改善去噪之后的数据质量,克服了主观性。3)在真实的气温要素这种一维时序序列数据上对预测模型中相关参数的选定进行了测试分析,并对所构建的预测模型与改进的基于动态筛选阈值的经验模态分解方法所生成的模型(称为改进后的预测模型)进行了性能测试和结果分析,并与几个其他模型性能的相关数据进行了对比分析,测试结果与对比分析表明了本文所提出改进后的预测模型具有较好的预测精度,基本能够达到人们生产生活对于气象预测的需求。最后,本文给出了目前所阐述的模型仍然存在的可改进之处,确定了后续的研究方向。

关键词： ROLLER bearings   SERVICE life (Engineering)   REMAINING life assessment (Engineering)   EIGENANALYSIS   VIBRATION (Mechanics)  

摘要： Rolling bearings play a pivotal role in rotating machinery. The degradation assessment and remaining useful life (RUL) prediction of bearings are critical to condition-based maintenance. However, sensitive feature extraction still remains a formidable challenge. In this paper, a novel feature extraction method is introduced to obtain the sensitive features through phase space reconstitution (PSR) and joint with approximate diagonalization of Eigen-matrices (JADE). Firstly, the original features are extracted from bearing vibration signals in time and frequency domain. Secondly, the PSR is applied to embed the original features into high dimensional phase space. The between-class and within-class scatter (SS) are calculated to evaluate the feature sensitivity through the phase point distribution of different degradation stages and then different weights are assigned to the corresponding features based on the calculated SS. Thirdly, the JADE is employed to fuse the weighted features to obtain the advanced features which can better reflect the bearing degradation process. Finally, the advanced features are input into the extreme learning machine (ELM) to train the RUL prediction model. A set of experimental case studies are carried out to verify the effectiveness of the proposed method. The results show that the extracted advanced features can better reflect the degradation process compared to traditional features and could effectively predict the RUL of bearing.

关键词： 极限学习机   多变量时间序列   预测  

摘要： 时间序列不仅可以反映天文、金融、生物医学、控制学、海洋科学等领域的发展变化过程,还可以探索其发展变化规律来预测某些现象。随着时间序列分析的深入,国内外已提出一系列线性和非线性预测方法,并取得了良好的应用效果,但其中绝大多数方法都是针对单变量时间序列预测提出的。然而现实生活中所采集的时间序列数据往往不是由单一因素所决定,需要综合考虑多种因素。因此,对多变量时间序列预测进行研究更具有现实意义。由于多变量时间序列数据具有不同于单变量时间序列自身的特性:多噪声、多尺度、变量相关等,现有的单变量时间序列预测方法无法直接预测多变量时间序列,因此研究多变量时间序列预测具有重要的理论价值。本文以极限学习机(ELM)为工具,针对多变量时间序列预测展开研究,提出三种多变量时间序列极限学习机预测模型,主要完成了如下工作:1、极限学习机在参数学习过程中仅考虑已知样本信息,而在实际应用中样本个数往往有限,因此ELM仅考虑有限已知样本信息无法满足预测准确性的需求。针对这一问题,在极限学习机的特征空间中综合考虑特征样本的已知信息和潜在信息,提出潜在极限学习机(LELM)预测模型。在多变量时间序列上的实验结果表明,LELM能够有效提高极限学习机的预测能力。2、在极限学习机预测多变量时间序列时,需将矩阵样本转换成向量作为模型的输入,这极大地影响模型预测精度。针对这一问题,结合奇异值分解思想,在极限学习机隐藏层和输出层之间增加SVD降维层,提出一种基于矩阵形式输入的多变量时间序列极限学习机预测模型(SVDELM)。在混沌时间序列和股票时间序列上的实验结果表明,SVDELM是一种有效的多变量时间序列预测模型。3、SVDELM和一.维极限学习机(2D-ELM)均是基于矩阵形式输入的预测模型,然而SVDELM对特征空间样本降维,2D-ELM在投影过程中对输入样本降维,都将造成原始数据信息的丢失。针对上述问题,提出一种无需对输入样本降维的预测模型,即改进的二维极限学习机(I2D-ELM)。实验结果表明I2D-ELM能够大大提高多变量时间序列预测模型的精度。

关键词： 核极限学习机   经验模态分解   优化算法   风电功率预测   组合预测  

摘要： 由于风能的随机性和间歇性,风电场的发电输出功率往往具有很强的波动性,这将对电网造成极大的冲击,给电网计划和调度带来困难与挑战。因而,精确可靠的风电功率预测对优化电网运行的成本和提高电力系统的可靠性极其重要。目前,借助现代统计方法的预测模型,如神经网络、支持向量机等已被广泛应用到超短期及短期风电功率预测中。极限学习机(Extreme Learning Machine,ELM)作为一种新型的单隐层前馈神经网络(Single hidden Layer Feedforward Neural Networks,SLFNs),它能以极快的学习速度获得良好的推广性能,并在风电功率超短期及短期预测中已有成功的应用。在ELM的基础上,核极限学习机(Kernel Extreme Learning Machine,KELM)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,并且该方法无需主观的设定网络隐含层节点的数目。为进一步提高风电功率超短期与短期预测的精度,本文以KELM方法为主线,研究其在风电功率组合预测及单一预测方面的应用。本文的主要研究内容如下:(1)在ELM理论的基础上,对KELM的基本学习算法及其高斯核函数和小波核函数进行了深入研究,并考虑将正则化最小二乘算法应用于其网络的输出权值求解中,以便提高KELM的泛化能力。(2)从组合预测模型的角度出发,首先,对原始的风电功率时间序列进行了分析。其次,在经验模态分解(Empirical Mode Decomposition,EMD)的基础上,研究了具有自适应白噪声的完整集成经验模态(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)信号分解方法,结合模糊熵(Fuzzy Entropy,FE),给出了一种基于CEEMDAN-FE和KELM的组合预测方法。将其应用于某地区的风电功率短期预测实例中,并与EMD-KELM、EEMD-KELM等组合预测方法,及单一的KELM方法进行比较。实验结果表明,CEEMDAN-FE-KELM的组合预测方法预测精度最好。(3)在KELM的基础上,结合优化算法,给出了一种基于优化的核极限学习机(Optimization Kernel Extreme Learning Machine,O-KLEM)的预测方法。分别利用遗传算法(Gentenic Algorithms,GA)、模拟退火(Simulated Annealing,SA)、微分演化(Differential Evolution,DE)三种优化算法对模型的输入变量、核参数与正则化系数进行优化选择,进而形成O-KELM方法的三种不同算法:GA-KELM、DE-KELM、SA-KELM。将O-KLEM方法应用于混沌时间序列直接六步预测中,在同等情况下,并与优化的极限学习机(Optimization Extreme Learning Machine,O-ELM)方法进行比较。从仿真结果可以看出,O-KELM方法的预测精度比O-ELM方法提高约一个数量级。并且DE-KELM算法具有最低的均方根误差。然后,将O-KELM方法应用于某地区风电场的风电功率预测实例中,分别进行提前10分钟的单步和提前20分钟、提前30分钟、提前40分钟的风电功率时间序列直接多步预测,用于评价O-KELM方法的有效性。在不同时间尺度下的风电功率时间序列预测的实验结果表明,O-KELM方法比O-ELM方法具有更好的预测精度,其中,提前10min、20min、40min预测时,GA-KELM算法具有最小的均方根误差,提前30min预测时,DE-KELM算法具有最小的均方根误差和正则化均方误差。从而证明了O-KELM方法的可行性和有效性。