关键词： 极限学习机   轧制   板形   预测模型   支持向量机  

摘要： 高效地建立起板形模型有利于提高板带轧制过程中的板形精度和有效实现板形控制。提出了一种基于极限学习机(ELM)的板带轧制过程中板形预测模型,不但可以简化参数选择过程,在核函数选择上可以根据训练样本值自动选择无须手动选择,而且可以提高模型的训练速度。结合铝板带四连轧机组在线实测数据进行模型训练,实现对轧制过程板形的预测且得到实验验证。本算法与支持向量机(SVM)模型预测对比,在训练样本数量较少的情况下,模型预测精度都能达到期望精度值,且具有同样甚至更高的预测精度,还具有急速的特点和更强的泛化能力。

关键词： 主成分分析   极限学习机   多变量极限学习机   剩余寿命预测  

摘要： 提出了一种基于主成分分析(PCA)和多变量极限学习机(MELM)的轴承剩余寿命预测方法。该方法首先利用PCA技术融合多个表征轴承运行状态与衰退趋势的时域频域特征指标来消除特征间的冗余性和相关性;进一步在单变量极限学习机(ELM)的基础上构建多变量极限学习机模型来预测轴承剩余寿命。该方法克服了传统单变量极限学习机结构简单、信息匮乏等缺点,能有效提高轴承剩余寿命的预测精度。运用全寿命轴承振动数据对模型进行验证,结果表明,相比单独应用ELM模型或MELM模型,基于PCA和MELM剩余寿命预测方法具有更高的预测精度和稳定性。

关键词： 相似日   时间序列编码   极限学习机   负荷预测  

摘要： 研究电力负荷预测准确性问题,由于电力负荷与天气、经济、假期等多种因素密切相关,变化规律具有周期性和随机性,传统方法无法描述其变化规律,导致电力负荷预测精度低。为了提高电力负荷预测精度,提出一种基于时间序列编码的相似日选择和极限学习机(ELM)相结合的电力负荷预测方法。基于时间序列编码的相似日选择方法在每个编码点中融入了整个序列的信息,不仅可以描述出序列的趋势,还可以描述出节点在序列中的相对位置。采用ELM进行预测,只需要设置网络的隐层节点个数。在算法执行过程中不需要调整网络的输入权值以及隐元的偏置,并且产生唯一的最优解。以某建筑电网的电力负荷数据进行仿真。并将上述方法与支持向量机(SVM)和BP神经网络进行对比。实验结果表明,改进方法具有较高的预测精度和较强的适应性,并且运行时间较短。

关键词： 工程管理   高速公路   造价管理   极限学习机(ELM)   Matlab  

摘要： 高速公路的工程造价是前期项目预算的重要数据参考,是公司投资管理经营与造价控制的关键节点,如何建立模型准确地预测公路工程造价对进行公路工程管理有很大的帮助,同时意义重大。文中根据中国高速公路工程建设项目造价预测的研究现状,将优化极限学习机(ELM)预测方法引入高速公路造价预测,建立高速公路建设项目工程造价预测模型,并结合Matlab软件进行了应用性分析与研究。实例分析结果表明该预测模型简便,具有较高的实用性。

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： 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。