关键词： 安全工程   地下工程   在线极限学习机   岩爆分级   预测  

摘要： 为有效预测地下工程岩爆的发生及烈度,结合地下工程岩爆的特点,分析岩爆影响因素及相关判别依据,选取围岩最大切向应力σ与岩石抗压强度σc之比σ/σc、岩石抗压强度σc与岩石抗拉强度σt之比σc/σt以及弹性能量指数Wet为判别因子,引入在线极限学习机理论,建立了岩爆预测的OS-ELM判别模型。以搜集到的国内外15组工程岩爆数据进行训练建模,训练完成后将样本数据做输出预测,得到模型的预测精度达97.98%,并与SVM、BP模型进行对比分析,结果表明,OS-ELM模型精度优于SVM和BP模型。利用该模型对国内两处隧道岩爆情况进行预测,结果与实际情况基本相符。研究表明,OSELM判别模型在岩爆烈度分级上具有良好的适用性和有效性。

关键词： 负荷预测   超短期预测   短期预测   区间预测   比例系数法   极限学习机   集成技术  

摘要： 电力负荷预测是电力系统规划和运行决策的重要依据,其预测精度直接影响系统运行的安全性和经济性。传统预测方法在对影响负荷的不确定因素的模拟方面,主要采用概率方法和模糊集方法,其方法有局限性。为此,有必要探索新的、更科学的方法。区间预测方法近年来在很多领域受到重视。在此背景下,对基于区间预测的电力负荷预测的相关问题进行研究。首先,给出了评估预测区间质量的综合指标,即预测区间满意度。之后,提出了构建预测区间的比例系数法,其以传统的极限学习机点预测模型为基础,通过对近期历史数据进行事后预测与评估后确定两个最优比例系数,继而对极限学习机输出值进行同样比例的放缩来确定预测区间的上、下界,同时应用集成技术提高了预测的稳定性。短期和超短期负荷区间预测结果表明,比例系数法能构建高质量的预测区间,适用范围广,鲁棒性强。

关键词： 极限学习机(ELM)   BP神经网络   洪涝预测   凌河流域  

摘要： 为了减轻洪涝灾害对人类的伤害,将极限学习机（extreme learning machine,ELM）引用到洪涝灾害预测中,利用凌河流域1960～2010年44个观测站（其中大凌河流域33站、小凌河流域11站）的降水资料,对凌河流域洪涝灾害进行预测,并将其与传统神经网络预测结果进行对比分析.结果表明：基于极限学习机预测模型的年均降水量预测值,大凌河流域的均方误差（MSE）为0.003,决定系数（R2）为0.927;小凌河流域的均方误差（MSE）为0.0037,决定系数（R2）为0.8481,均满足误差精度要求,其结果均优于BP神经网络预测模型的均方误差值和决定性系数.说明极限学习机预测模型用于洪涝灾害预测效果良好,为洪涝灾害预测提供了新的方法.

关键词： 云计算   负荷预测   极限学习机   在线序列优化  

摘要： 为了提高电力负荷预测精度,应对电力系统智能化所带来的数据海量化高维化带来的单机计算资源不足的挑战,提出了一种在线序列优化的极限学习机短期电力负荷预测模型。针对电力负荷数据特性,对极限学习机预测算法进行在线序列优化;引入分布式和multi-agent思想,提升负荷预测算法预测准确率;采用云计算的MapReduce编程框架对提出的算法模型进行并行化改进,提高其处理海量高维数据的能力。选用EUNITE提供的真实电力负荷数据进行算例分析,在32节点云计算集群上进行实验,结果表明基于该模型的负荷预测精度均优于传统支持向量回归预测算法和泛化神经网络预测算法,且提出的算法具有优异的并行性能。

关键词： 前馈神经网络   极限学习机   多响应稀疏回归   逐一抽取算法   认知无线电   频谱预测  

摘要： 极限学习机(Extreme Learning Machine, ELM)是由黄广斌提出的一种新型单层前馈神经网络。与传统前馈神经网络相比,极限学习机结构简单,学习速度快且具有全局搜索能力和良好的泛化性能。但是在实际的应用过程中,极限学习机的隐含层的节点数的设置会对实际问题有所影响。过多的隐含层节点会产生过拟合,并且隐含层节点中不免会有对实际问题作用很小或者无用的节点。针对这一问题,一种基于极限学习机的最优裁剪极限学习机(Optimally Pruned Extreme Learning Machine, OP-ELM)被提出,通过对极限学习机中隐含层节点进行裁剪,提高了极限学习机的鲁棒性和泛化性。 认知无线电(Cognitive Radio, CR)是目前解决无线频谱资源日益紧缺问题的关键技术。频谱分配的不合理是造成频谱资源紧缺的重要原因,认知无线电通过感知主用户(Primary User, PU)的频谱占用情况,使次用户(Second User,SU)充分利用主用户的频谱空洞,智能的对频谱资源动态分配,实现可靠的通信服务并提高频谱的利用率。频谱预测是认知无线电中的关键技术,传统的预测方法有很多,如马尔科夫链方法、回归分析方法和神经网络方法等。传统的预测方法预测所需的时间较长,不能满足频谱预测的实时性的要求。极限学习机的引入,不仅满足了频谱预测实时性的要求,且优化裁剪极限学习机的鲁棒性和泛化性优于传统的极限学习机,更适应于认知无线电频谱预测问题。 本文主要工作如下。 (1)系统并深入地研究了极限学习机的原理和特点。介绍了极限学习机和几种改进的极限学习机的数学模型和训练算法,从理论上阐述了极限学习机的快速特性。通过仿真实验比较分析比较了极限学习机与传统前馈神经网络的预测性能。 (2)针对隐含层节点数目过多,会影响网络性能的问题,对经典的极限学习机进行隐含层节点的调整,构造最优裁剪极限学习机。并通过基准实验对其性能进行了分析。 (3)将极限学习机用于认知无线电的频谱预测问题。针对现有预测方法在预测精度和预测速度上存在的不足,利用极限学习机的简单、快速及全局最优等特点,对认知无线电系统中主用户的频谱状态持续时间进行预测。比较了极限学习机及其几种改进模型与传统的前馈神经网络,反馈神经网络在频谱预测问题上的性能,实验表明,与传统前馈神经网络和反馈神经网络相比,极限学习机,特别是最优裁剪极限学习机,无论是在预测精度上还是在预测速度上都获得了较好的性能,更适用于无线频谱预测问题。

关键词： 矿山爆破   爆破块度预测   ELM极限学习理论  

摘要： 通过爆破试验,获得9组爆破参数,采用照片法统计了相应的爆破块度,采用极限学习机ELM(Extreme Learning Machine)预测模型,对最后3组爆破参数下的大块率进行预测,同时采用BP预测模型进行预测。两种预测对比可知:ELM模型可以较好地预测爆破块度,且比传统神经网络有较好的适用性和精确性,可用于爆破块度预测,为爆破参数设计提供可靠的依据。

关键词： 灾害预测   人工神经网络   机器学习   ELM模型  

摘要： 滑坡是位于中国长江上游的三峡库区最重要的地质灾害之一。三峡库区特殊的多山地形，三峡水库蓄水引起的水位波动和雨水渗入使得滑坡灾害成为库区严重的地质环境问题。由于位于长江两岸山脉上的大部分耕地都集中在老滑坡带，滑坡灾害常常导致大量的人员伤亡和财产损失，甚至影响到长江三峡移民工程的实施。为了降低滑坡带来的危害，加强滑坡监测和预测是十分必要的。滑坡是一种大面积的地面运动现象，岩石崩落，斜坡体的深度破坏和浅泥石流等都属于滑坡的范畴。滑坡演化过程被认为是一个复杂的非线性系统。它主要是由滑坡体内在的能量和斜坡自身的约束条件所决定，但同时也受到复杂多变的外部自然环境因素的影响。例如强降雨，昼夜温差，河流侵蚀，雨雪融化，地震和人类活动。利用传统的线性方法已经难以描述这些复杂环境因素和滑坡体演化之间的关系。因此我们尝试利用先进的计算智能方法，例如人工神经网络(ANNs)，作为工具研究滑坡预测问题。本研究主要内容包括：　　⑴对滑坡位移单时间序列进行了研究，基于”分解与集成”的预测思想，提出了一种改进的基于集成经验模态分解(EEMD)和极限学习机(ELM)的M-EEMD-ELM模型。首先利用EEMD将非线性的滑坡位移监测序列分解为一系列本征模函数(IMFs)和一个残余项函数。然后对除最高频IMF外的其他分解得到的子序列建立ELM预测模型。最后通过简单求和将ELM预测器对各个子序列的预测结果集成为最终的滑坡位移序列预测结果。以三峡库区白水河滑坡为例验证了预测方法的有效性，结果显示在同样的实验条件下，本文提出的M-EEMD-ELM预测模型能够获得比传统的神经网络预测模型和EEMD-ELM模型更高的预测性能。　　⑵对外界环境因素，降雨和库水位变化，与滑坡演化之间的关系进行了研究。利用EEMD分解将降雨序列，库水位序列和滑坡位移序列各自分解为一系列从高到底不同频率的IMFs。并利用ELM神经网络模型建立降雨和库水位子序列同滑坡位移子序列间的关系。对各个滑坡位移子序列建立ELM预测模型分别预测，最终的预测结果为各个子ELM预测模型预测结果的集成。以三峡库区白水河滑坡为实例验证了本文提出的EEMD-ELM预测方法比传统的神经网络预测模型具有更高的预测精度。　　⑶将量化预测不确定性引入传统的滑坡位移预测研究中，提出了一个新的基于随机权值神经网络的滑坡位移预测模型。传统的滑坡位移预测模型预测都是确定性的点预测，而我们研究的目标是构建预测区间(PIs)的区间预测模型。本文采用一种新的神经网络构建预测区间的方法，上界下界估计(LUBE)，来建立预测模型。不同于传统的LUBE方法，本文提出的随机权值单隐层前馈神经网络中的隐层权值和偏置能够随机选择，而只有输出权值需要调节。利用粒子群优化(PSO)和万有引力搜索(GSA)的混杂算法PSOGSA来优化输出权值。同时针对改进的LUBE算法提出了一个新的神经网络目标函数，该目标函数由改进的组合覆盖宽度标准(CWC)和一个一范数正则化项组成。为了验证提出方法的有效性，本文对两组标杆数据集和一组三峡库区典型滑坡实例数据集进行了实例分析。实验结果显示本文提出的方法能够比传统的方法构建更加优质的PIs。　　⑷利用传统的神经网络预测模型常常对滑坡位移突变点难以实现有效的预测，这主要是由于训练样本中滑坡位移突变这种小概率事件样本的匮乏。为了克服这个问题，提出了一种将传统的回归预测问题转化为分类预测问题的方法。通过利用K均值聚类分析滑坡位移变化量，将滑坡演化分为两类：滑坡平稳演化阶段和滑坡位移突变阶段。由于滑坡位移突变是一种小概率事件，因此滑坡位移分类实质上是一种不平衡数据分类问题。为了克服数据的不平衡分布问题，本文采用加权ELM构建分类预测器，并以白水河滑坡为例验证了方法的有效性。　　⑸研究了高分辨率滑坡遥感图像分类问题。通过对各种类型的多特征分析更好地获得高维遥感图像中的信息。为了处理这类具有高特征维数的图像大数据集，本文采用了一种具有高效计算效率的核ELM算法构建图像分类器。分别对各个独立不同的特征子集训练子分类器，然后融合多个子分类器的分类结果以避免溢出问题。并以一个真实的滑坡遥感图像数据集为例验证了方法的有效性。

关键词： HILBERT-Huang transform   PHASE space (Statistical physics)   URANIUM -- Sales & prices   PRICES   NEURAL networks (Computer science)   NUCLEAR energy   ECONOMIC aspects  

摘要： A hybrid forecasting approach combining empirical mode decomposition (EMD), phase space reconstruction (PSR), and extreme learning machine (ELM) for international uranium resource prices is proposed. In the first stage, the original uranium resource price series are first decomposed into a finite number of independent intrinsic mode functions (IMFs), with different frequencies. In the second stage, the IMFs are composed into three subseries based on the fine-to-coarse reconstruction rule. In the third stage, based on phase space reconstruction, different ELM models are used to model and forecast the three subseries, respectively, according to the intrinsic characteristic time scales. Finally, in the foruth stage, these forecasting results are combined to output the ultimate forecasting result. Experimental results from real uranium resource price data demonstrate that the proposed hybrid forecasting method outperforms RBF neural network (RBFNN) and single ELM in terms of RMSE, MAE, and DS.

关键词： 灰色预测   极限学习机   组合预测模型   供应链管理  

摘要： 预测是一种根据已知数据在过去一定时间段内呈现出的发展的规律性对未来发展趋势进行描述的行为。近年来,预测被用到了很多领域,如电价预测、股票价格预测和气象预测等领域。然而传统的预测方法由于其精度不够高或速度不够快等问题,无法满足当今预测领域的需求。针对传统预测方法的问题,本文主要做了以下工作:1、本文基于组合预测的思想,提出两种灰色预测模型和极限学习机的组合预测方法。一种是灰色预测模型和极限学习机通过协方差优选组合方式组合而成的组合预测方法。另一种是基于强化学习的累积函数的思想,提出的一个新的组合权系数的求解方法,得到了新的灰色预测模型和极限学习机的组合预测算法。2、将两个组合权系数计算方法不同的灰色预测模型和极限学习机的组合预测算法在微软股票信息、TAC-SCM比赛中单项产品交易成交价、Mackey-Glass时间序列数据和台湾液晶屏制造业的制造数据4个实验数据集上进行实验验证,并与多种不同的预测方法进行比较,证明本文提出的两种方法在预测精度和预测速度上都有不错的表现。3、最后,将组合的灰色极限学习机预测算法应用于TAC-SCM供应链比赛中,用于解决比赛过程中的价格和需求量的预测问题。TAC-SCM供应链管理比赛是由美国卡耐基梅隆大学等大学联合主办,主要提供模拟真实的市场环境的平台,以便参赛者将人工智能的理论和方法等研究成果应用到供应链管理的过程中。通过比赛验证了灰色极限学习机预测算法在解决实际问题时的预测准确性和速度适用性。

关键词： 分布式发电   光伏发电   预测   短期功率   用户侧   极限学习机   光伏覆尘  

摘要： 伴随中国农村电网的较快发展,分布式光伏的集成应用是实现新能源就地消纳的重要途径。国家相关政策已对分布式光伏的快速发展进行了相关规划,国家电网公司也出台政策为分布式光伏接入提供便利条件与技术支持,相关的分布式光伏发电功率预测技术需要进行深入研究。针对用户侧分布式光伏发电系统,考虑预测系统的成本约束和运行需求,以及农村电网应用特点,提出一种基于核函数极限学习机的分布式光伏功率预测方法。对于不同容量的分布式光伏发电系统,使用核函数极限学习机构建分布式光伏短期功率预测模型,使用基于权重的训练样本筛选方法提高预测模型计算效率,并通过粒子群算法优化模型参数。预测模型使用低成本的非数值天气预报采样信息,对几十千瓦级的分布式光伏,预测相对误差仅16%～18%,能在低功耗处理器上实现10ms内完成单次发电功率预测,在简化低权重属性后能基本保持原有精度,同时在分布式光伏随机覆尘或逆变器故障条件下预测误差基本不变,具有较高的适应能力。