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.

关键词： BP神经网络   ELM极限学习机   上证开盘指数   预测  

摘要： 针对证券指数具有随机性、时变、波动性较大、非线性等特点，传统线性预测方法预测精度低等缺陷，提出了一种基于极限学习机的证券指数预测方法。极限学习机克服了BP神经网络的训练速度慢、过拟合、局部极值等缺陷，具有训练速度快、全局最优和泛化能力优异等优点。采用1991～2013年上证指数对算法性能进行训练，2014年数据做测试，对100个测试数据仿真结果表明，复相关系数高达0.9935，极限学习机是一种预测精度高、误差小的证券指数预测算法，预测结果可以为用户提供有价值的参考意见。

关键词： 铀资源价格   经验模式分解   固有模态函数   相空间重构   极限学习机   组合预测  

摘要： 针对国际铀资源价格预测问题,提出一种基于经验模式分解(EMD)、相空间重构(PSR)和极限学习机(ELM)的非线性组合预测方法.首先通过EMD分解,将原始价格序列分解为若干固有模态分量(IMF),按频率高低将各IMF分组叠加成3个新序列;然后在重构相空间的基础上构建不同的ELM模型,分别对各IMF序列进行预测;最后对预测结果进行合成.将该方法应用于实际铀资源价格预测,并与径向基神经网络(RBF)方法及单独ELM方法进行比较,仿真结果表明该方法预测精度有明显的提高.

关键词： 面板堆石坝   极限学习机   施工期   沉降   预测  

摘要： 针对大坝安全监控预测中存在的不确定性与非线性问题,提出了基于极限学习机算法的面板堆石坝施工期沉降预测方法,并将其应用于柬埔寨某面板堆石坝沉降预测中。与传统的统计回归分析模型计算的沉降量相比,基于极限学习机算法的预测模型拟合学习速度快,精度高,适用性强,预测值与实测结果吻合较好。

关键词： 热轧   轧制力预测   灰色关联分析   极限学习机(ELM)   10折交叉验证  

摘要： 针对传统轧制力模型的固有缺陷,提出了一种基于灰色关联分析的ELM(极限学习机)轧制力预报模型.首先通过灰色关联分析对输入变量进行相关性分析,用于提高模型的性能;然后结合10次10折交叉验证确定ELM模型的隐含层节点数,建立热轧薄板的轧制力预测模型.运用现场数据对该网络进行训练和测试,并与传统的模型相比较.实验结果表明,该模型能快速、准确地预报轧制力,能满足在线预测的要求.

关键词： 核极限学习机   液压泵   特征参数   在线预测   鲁棒性  

摘要： 研究液压泵特征参数的在线预测问题。对表征液压泵工作状态的特征参数进行准确、快速的在线预测,对实时掌握液压泵健康状况的发展趋势具有重要意义。针对液压泵特征参数在线预测问题,提出一种在线核极限学习机方法(OLKELM)。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,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,从而提高网络的在线学习效率。仿真结果表明,在获得同样预测精度的条件下,OL-KELM比直接在线核极限学习机的计算速度更快,且预测误差小于贯序正则极限学习机,并具有更强的鲁棒性,故OL-KELM能够对液压泵特征参数进行快速准确的在线预测。

关键词： 风速   预测   改进极限学习机   集合经验模态分解   相空间重构  

摘要： 提出一种基于集合经验模态分解(Ensemble empirical mode decomposition)和改进极限学习机(Improved Extreme Learning Machine,IELM)的新型短期风速组合预测模型。采用集合经验模态分解将风速序列分解成不同频段的分量,以降低序列的非平稳性。使用改进极限学习机对各分量分别建模预测,为避免极限学习机输入维数选取的随意性和分量信息丢失等问题,先对各分量重构相空间,最后将各分量预测结果叠加得到最终预测结果。实例研究表明,所提的组合预测模型具有较高的预测精度。