关键词： 煤与瓦斯突出   预测   极限学习机   层次分析法   免疫遗传算法  

摘要： 煤与瓦斯突出灾害一直是阻碍煤矿安全发展的重要因素,国内外许多专家学者也一直致力于煤与瓦斯突出方面的研究,并在煤与瓦斯突出事故预测领域总结出了诸多有效可行的方法策略。本文在充分的分析煤与瓦斯突出发生机理的基础上,深入的研究了影响煤与瓦斯突出的各种因素,提出了基于IGA算法优化的极限学习机模型并应用于煤与瓦斯突出预测。本文以煤与瓦斯突出预测为出发点,围绕以下几个方面的工作进行：(1)通过对当前煤与瓦斯诸多预测手段进行对比总结,分析当前该领域的研究进展以及存在的问题,在此基础上提出极限学习机应用到煤与瓦斯突出预测的研究方案。(2)在讨论煤与瓦斯突出机理及煤与瓦斯突出影响因素的基础上,提出了使用层次分析法对矿井影响煤与瓦斯突出的因素进行权重分析,并以此作为预测煤与瓦斯突出模型输入变量选取的依据。层次分析方法对模型输入变量的优化选取,去除冗余信息,提高了模型的精确度和计算效率。(3)通过对极限学习机结构及算法的分析,针对极限学习机输入权值和隐含层阈值随机选取的缺点引入免疫遗传算法(IGA)进行优化。通过wine数据集分类验证,表明IGA算法优化的极限学习模型提高了模型的稳定性及精确度。(4)通过对免疫遗传算法及极限学习机理论分析,构建煤与瓦斯突出预测模型。采用矿井实际监测数据进行模型验证,且验证结果证实了模型的有效性及精确性。与此同时,结合与支持向量机的验证对比,凸显了模型相对于其他预测模型的良好性能。

关键词： 变压器   故障预测   油中溶解气体分析   极限学习机  

摘要： 变压器的运行状况直接关系到整个电网的安全。油中溶解气体能反映变压器的运行情况,但是,油中溶解气体分析(DGA)法只能对油样采集时刻的变压器故障情况进行诊断,不能对变压器存在的潜伏性故障进行预测。因此,对变压器油中溶解气体预测方法进行研究具有重要的理论价值和实际意义。首先,本文在分析现有变压器故障预测方法的特点及其存在问题的基础上,详细介绍了极限学习机的基本理论及其算法,并将其用于变压器故障预测中,探索基于极限学习机的变压器油中溶解气体预测新方法。然后,给出了基于正则极限学习机的变压器故障预测方法。这种方法主要针对极限学习机在样本数量有限的情况下会出现过度拟合的现象,通过引入结构风险最小化原理和平衡因子权衡经验风险和结构风险的比例。这种方法在保持训练速度快的前提下,有效的提高极限学习机的泛化性能。实验证明,正则极限学习机有更好的拟合和泛化性能。最后,本文在研究了混合核函数、核极限学习机和粒子群算法的基础上,给出了基于粒子群优化混合核极限学习机的变压器故障预测方法。其核函数采用具有局部特性的高斯核函数和全局特性的多项式核函数加权得到的混合核函数。针对核函数参数存在敏感性问题,使用粒子群优化算法对混合核极限学习机参数进行优化,给出了参数的具体优化过程。实验证明,基于粒子群优化混合核极限学习机的变压器故障预测方法具有更好的预测效果。

关键词： FAULT tolerance (Engineering)   PREDICTIVE control   MACHINE learning   AUTOMATIC control   MATHEMATICAL analysis  

摘要： Effective air-ratio control is desirable to maintain the best engine performance. However, traditional air-ratio control assumes the lambda sensor located at the tail pipe works properly and relies strongly on the air-ratio feedback signal measured by the lambda sensor. When the sensor is warming up during cold start or under failure, the traditional air-ratio control no longer works. To address this issue, this paper utilizes an advanced modelling technique, kernel extreme learning machine (ELM), to build a backup air-ratio model. With the prediction from the model, a limited air-ratio control performance can be maintained even when the lambda sensor does not work. Such strategy is realized as fault tolerance control. In order to verify the effectiveness of the proposed fault tolerance air-ratio control strategy, a model predictive control scheme is constructed based on the kernel ELM backup air-ratio model and implemented on a real engine. Experimental results show that the proposed controller can regulate the air-ratio to specific target values within a satisfactory tolerance under external disturbance and the absence of air-ratio feedback signal from the lambda sensor. This implies that the proposed fault tolerance air-ratio control is a promising scheme to maintain air-ratio control performance when the lambda sensor is under failure or warming up.

关键词： 预测算法   极限学习机   信息融合   粒子群算法   D-S证据理论  

摘要： 极限学习机(Extreme Learning Machine, ELM)是近几年发展起来的一种有效的新型单隐层前馈神经网络学习算法,和传统学习算法不同的是,ELM算法的网络参数随机选取,无需调节,输出权值是通过对平方损失函数最小化得到的最小二乘解,因此该算法具有较快的学习速度和良好的泛化性能,并在多模式分类、非线性预测等领域得到了广泛的应用。但是ELM在学习过程中也不可避免的存在众多缺点,其参数的随机选取导致一系列非最优参数的生成,使得所需隐含层节点数多于传统学习算法,影响其泛化性能,并导致系统的病态；在学习过程中仅仅只利用了输入参数的信息进行计算,而忽略了非常有价值的实际输出值；将其应用于工业生产中所得到的精度不能满足实际的标准等等。针对上述缺点,本文提出了一种对ELM的改进算法——粒子群反馈极限学习机(PSOF-ELM),根据卡尔曼滤波的思想,将网络的实际预测值与理论期望值的差值反馈给输入层,形成反馈极限学习机(FELM)网络结构,并根据反馈误差对输入权值做出相应的调整。然后运用粒子群算法对随机网络参数和导致的系统病态进行优化,产生4个候选FELM预测模型,并对其进行组合,形成一个新的网络,以此减小全局的预测误差。在融合阶段为了使效果较好的FELM优势得到发挥,运用D-S证据理论针对组合预测中每个FELM模型的贡献率分配权值,并将权值作用于对每个预测模型的预测结果进行融合。本文以轧制工业中带钢出口厚度预测为背景,针对在实际轧制过程中,带钢出口厚度存在众多的影响因素,并且每个因素根据张力控制方法对带钢厚度产生不同的影响,通过数据处理软件ibaAnalyzer对带钢数据进行分析筛选,并计算输入参数与输出值的互信息值,提取对出口厚度影响较大的特征参数,并运用本文的预测算法对出口厚度进行预测。本文的轧制生产离线实验在MATLAB平台下进行,通过与传统的ELM,BP和AI-SVM算法对比,本文算法有更小的预测误差,更高的预测精度和更好的抗过拟合性能；通过与取平均值的融合模型对比,D-S证据理论融合后,预测精度更高,预测结果波动性越小,更加趋于稳定。

关键词： 船舶横摇运动   极限学习机   预测控制  

摘要： 船舶横摇运动的预测与控制一直是船舶运动控制领域中重要的研究内容。而现代人工智能算法的发展,为船舶横摇运动的预测和控制提供了新的思路。其中极限学习机因结构简单、全局最优、计算速度快等特点使其在船舶运动预测和控制的应用中有着独特的优势。本文基于改进的极限学习机建立实时多步预测模型,并将其应用于船舶横摇运动预测和控制。本文首先介绍了本研究的目的和意义,并对极限学习机以及船舶横摇运动预测和控制等领域的研究现状进行了分析。针对实际系统的非线性及时变动态等复杂特性,应用序贯极限学习机建立时变动态系统的实时多步预测模型,并应用时间差分算法对于模型进行误差补偿,提高了模型多步预测精度。以船舶横摇运动为研究对象,基于船舶耐波性原理分析了船舶横摇运动特性。基于极限学习机构建船舶横摇的实时多步预测模型,并应用实际船舶横摇数据对于船舶横摇角进行多步预测,结果验证了模型有效性。将建立的预测模型作为系统动态的在线预测器,设计一种船舶减摇鳍预测控制系统,利用船舶减摇鳍对于船舶横摇运动进行抑制。建立船舶减摇鳍控制模型和波浪扰动模型,应用控制器进行不同海况环境下的船舶横摇运动控制仿真试验,结果验证了该预测控制系统对控制船舶横摇有良好的效果。通过本文的研究,将极限学习机应用于船舶运动预报和控制的研究中,并验证了极限学习机在船舶横摇运动的实时预测和控制中应用的可行性。

关键词： TIME series analysis   MACHINE learning   ESTIMATION theory   MATRICES   CHAOS theory   MATHEMATICAL analysis  

摘要： Accurate and fast prediction of nonstationary time series is challenging and of great interest in both practical and academic areas. In this paper, an online sequential extreme learning machine with new weighted strategy is proposed for nonstationary time series prediction. First, a new leave-one-out (LOO) cross-validation error estimation for online sequential data is proposed based on inversion of block matrix. Second, a new weighted strategy based on the proposed LOO error estimation is proposed. This strategy ranks the samples' importance by means of the LOO error of each new added sample and then assigns various weights. Performance comparisons of the proposed method with other existing algorithms are presented based on chaotic and real-world nonstationary time series data. The results show that the proposed method outperforms the classical ELM and OS-ELM in terms of generalization performance and numerical stability.

关键词： 极限学习机   股票价格   预测模型   支持向量机   神经网络  

摘要： 极限学习机(Extreme Learning Machine,ELM)是一种新型的单馈层神经网络算法,克服了传统的误差反向传播方法需要多次迭代,算法的计算量和搜索空间大的缺点,只需要设置合适的隐含层节点个数,为输入权和隐含层偏差进行随机赋值,一次完成无需迭代。研究表明股票市场是一个非常复杂的非线性系统,需要用到人工智能理论、统计学理论和经济学理论。本文将极限学习机方法引入股票价格预测中,通过对比支持向量机(Support Vector Machine,SVM)和误差反传神经网络(Back Propagation Neural Network,BP神经网络),分析极限学习机在股票价格预测中的可行性和优势。结果表明极限学习机预测精度高,并且在参数选择及训练速度上具有较明显的优势。

关键词： 股票价格   极限学习机   在线预测   网络权值  

摘要： 为了对股票价格进行准确、快速的在线预测,提出一种基于改进极限学习机算法(IELM)的股票价格在线预测模型。在极限学习机(ELM)中引入Cholesky分解方法,使网络权值随新样本的逐次加入递推更新,提高模型的泛化能力,加快网络学习效率,然后对交通银行股票(601328)的收盘价进行仿真实验。结果表明,相对于对比模型,IELM不仅提高了计算效率,而且提高了股票价格预测精度,可以实现股票价格快速、准确在线预测。

关键词： 流动不稳定性   极限学习机   多目标优化   非支配排序遗传算法  

摘要： 极限学习机是近年来提出的一种前向单隐层神经网络训练算法,具有训练速度快、不会陷入局部最优等优点,但其性能会受到随机选取的输入权值和阈值的影响.针对这一问题,提出一种基于多目标优化的改进极限学习机,将训练误差和输出层权值的均方最小化同时作为优化目标,采用带精英策略的快速非支配排序遗传算法对极限学习机的输入层到隐层的权值和阈值进行优化.将该算法应用于摇摆工况下自然循环系统不规则复合型流量脉动的多步滚动预测,分析了训练误差和输出层权值对不同步长预测效果的影响.仿真结果表明,优化极限学习机预测误差可以用较小的网络规模获得很好的泛化能力.为流动不稳定性的实时预测提供了一种准确度较高的途径,其预测结果可以作为核动力系统操作员的参考.

关键词： 核极限学习机   时间序列预测   液压泵   状态监测   鲁棒性  

摘要： 为有效利用贯序输入的状态参数对液压设备的运行状态进行在线实时监测,提出一种在线核极限学习机方法（OL-KELM）.OL-KELM采用Cholesky分解将核极限学习机（KELM）从离线模式扩展到在线模式,其网络权值可在历史训练数据的基础上,随新样本的输入而递推求解更新,并以简单的四则运算替代复杂的矩阵求逆,从而提高网络的学习效率.混沌时间序列在线预测仿真表明,在获得同样预测精度的条件下,该方法的训练时间为KELM的40%-60%;基于时间序列预测的液压泵状态在线实时监测实例表明,该方法的预测误差为SRELM（sequential regularized extreme learning machine）的28.3%-46.2%,且鲁棒性更强,故OL-KELM能够满足液压设备在线实时状态监测的要求.