关键词： basic oxygen furnace steelmaking   machine learning   lime utilization ratio   dephosphorization   online sequential extreme learning machine   forgetting mechanism  

摘要： The machine learning models of multiple linear regression(MLR),support vector regression(SVR),and extreme learning ma-chine(ELM)and the proposed ELM models of online sequential ELM(OS-ELM)and OS-ELM with forgetting mechanism(FOS-ELM)are applied in the prediction of the lime utilization ratio of dephosphorization in the basic oxygen furnace steelmaking *** ELM model exhibites the best performance compared with the models of MLR and ***-ELM and FOS-ELM are applied for sequential learning and model *** optimal number of samples in validity term of the FOS-ELM model is determined to be 1500,with the smallest population mean absolute relative error(MARE)value of 0.058226 for the *** variable importance analysis reveals lime weight,initial P content,and hot metal weight as the most important variables for the lime utilization *** lime utilization ratio increases with the decrease in lime weight and the increases in the initial P content and hot metal weight.A prediction system based on FOS-ELM is applied in actual industrial production for one *** hit ratios of the predicted lime utilization ratio in the error ranges of±1%,±3%,and±5%are 61.16%,90.63%,and 94.11%,*** coefficient of determination,MARE,and root mean square error are 0.8670,0.06823,and 1.4265,*** system exhibits desirable performance for applications in actual industrial pro-duction.

关键词： 多分位鲁棒极限学习机   短期负荷预测   核概率密度函数   输入量   预测结果  

摘要： 该文基于极限学习机算法设计一种用于短期负荷预测的多分位鲁棒极限学习机模型,该模型能解决传统预测模型抗干扰能力差的缺陷,可以在面临不确定性因素干扰的情况下准确预测负荷。对传统模型和多分位鲁棒极限学习机模型的鲁棒性和多分位性进行验证,对比结果表明,多分位鲁棒极限学习机模型的鲁棒性更好,在不同分位下的预测精度更高。

关键词： 光伏功率   区间预测   极限学习机   参数优化   加权欧氏距离指标  

摘要： 提出一种基于极限学习机(ELM)模型参数优化的光伏功率区间预测技术.首先,提出加权欧氏距离作为光伏功率预测区间评估指标,筛选历史样本单元并优化ELM训练集;然后,提出ELM参数混合寻优算法,利用精英保留策略遗传算法与分位数回归优化ELM模型隐层输入及输出权重与偏置参数,并采用训练后的模型预测光伏功率区间;最后,基于光伏电站与气象站历史数据构建实际算例,预测光伏功率区间,并与其他方法得到的结果进行对比.算例结果表明:所提方法在增加区间预测可信度的同时,能较大程度提高区间预测准确度.

关键词： 底板破坏深度   PSO   ELM   机器学习  

摘要： 矿井底板破坏产生的裂隙可能导通煤系基部的承压水,导致矿井突水事故发生。利用粒子群优化算法对极限学习机模型进行优化,建立了底板破坏深度粒子群优化极限学习机预测模型,主控因素包括埋深、倾角、采高、斜长、底板抗破坏能力,使用模型对竹林山煤矿3号煤层底板破坏深度预测。预测结果表明:竹林山煤矿3号煤底板破坏深度最大值为60.35 m,最小值为37.35 m,平均值50.63 m,预测结果为矿井安全生产提供了理论依据。

关键词： 经验模态分解   极限学习机   粮食产量预测   信号处理   特征提取  

摘要： 由于粮食产量中的历史数据存在较强的时间序列非平稳性和复杂性,传统的单一极限学习机(Extreme Learning Machine,ELM)模型具有低预测精度和差鲁棒性的问题。本文通过优化鲸鱼优化算法(Whale Optimization Algorithm,WOA)的内部参数,将分解后的分量模型预测结果进行叠加,使得对粮食产量的预测更加精准。首先在建立预测模型之前引入经验模态分解模型从原始数据中提取内在特征;其次根据分解得到多个平稳的粮食模态分量,并建立预测模型。实验结果表明,提出的EMD-ELM-WOA组合预测模型与单一的ELM神经网络、BP神经网络、SVM模型、EMD-ELM模型相比预测误差最小,精度最高。

关键词： 极限学习机   秃鹫优化算法   Circle混沌映射   自适应调整算子   船舶运动预测  

摘要： 针对船舶运动预测模型精度不高而造成预测结果误差大的问题,提出一种利用改进非洲秃鹫优化算法(IAVOA)优化模型参数的极限学习机(ELM)预测模型,对船舶运动状况进行预测。在初始化种群时引入Circle混沌映射,增加种群的多样性;加入自适应算子,调整两类秃鹫对其他秃鹫的指引作用,提升算法的收敛速度和解的质量。利用IAVOA优化的ELM模型对船模水池试验运动数据进行预测,并采用均方根误差和平均绝对误差评判该预测模型,与现有其他启发式算法优化ELM模型比较,所提出的IAVOA-ELM具有更优的预测精度和泛化能力。

关键词： 机器学习算法   树突神经网络   滑坡体   土壤含水率预测   相关性   敏感性  

摘要： 土壤含水率是影响坡体稳定性的决定因素之一。针对滑坡体内部土壤水分信息难以准确感知的问题,建立了一种基于机器学习算法树突神经网络的土壤含水率预测模型(DDNN),通过分析土壤水分垂向变化特征和数据相关性确定关键的影响因子后,将水分预测模型DDNN与GA-BP、RF、RBFNN三种算法进行对比试验。发现DDNN预测模型的拟合优度R2最高为0.998,均方根误差和平均绝对误差均最小,分别为0.091、0.059,其预测精度明显高于其他三种算法。并采用关系谱探究了相关影响因素对土壤含水率的敏感程度。结果表明,敏感度由高到低依次为气温、降水、初始水分、风速、地温,研究结果可为滑坡体稳定性分析提供技术方法支撑。

关键词： 光伏发电功率预测   K-means聚类   天气分型   极限学习机算法   遗传算法   鸟群算法  

摘要： 考虑光伏功率的预测精度强依赖于天气模态和气候条件等因素影响,提出了基于极限学习机组合算法的短期光伏功率预测方法。首先,基于K-means聚类算法进行天气分型,分为4个季节下晴天、多云天气、阴雨天气共12组不同天气类别。其次,针对天气分型结果,基于极限学习机ELM、遗传算法改进的极限学习机GA-ELM、鸟群算法改进的极限学习机BSA-ELM3种算法构建光伏功率预测模型。最后,以某光伏电站数据进行所提模型验证。预测结果表明,BSA-ELM预测精度最高,12种天气预测精度达到90%左右,各季节中预测精度最高的天气类型均为晴天,多云天气精度高于阴雨天气精度,可为含高比例光伏并网的新型电力系统安全稳定运行提供有效数据支撑。

关键词： 滑坡监测   卷积神经网络   逻辑回归   支持向量机   贝叶斯优化  

摘要： 现有使用机器学习进行滑坡监测方法存在滑坡易发性特征选择超参数多为连续变量,数值约束松散的问题。为解决此问题,提出一种结合CNN-LR-SVM的滑坡易发性监测方法。使用CNN提取滑坡易发性特征值,捕获输入数据中的上下文信息,消除繁琐的传统特征选择过程,提升特征选择准确率。将提取到的特征值与LR、SVM分类器结合。之后,使用贝叶斯优化方法寻找CNN、LR和SVM超参数,考虑历史信息,优化下一步超参数设置方法,解决超参数优化数值约束问题。经实验验证,本方法在选择不同优化算法与激活函数时相比传统单一机器学习模型(以CNN与SVM为例)均有良好性能表现。

关键词： 混凝土   抗压强度   金枪鱼群优化算法   极限学习机   软测量  

摘要： 混凝土抗压强度是建筑结构设计与评价的一个重要指标,它直接关乎建筑的质量与安全。为解决现有机器学习模型对其预测存在预测耗时长、精度不够高,不能很好地满足施工现场对混凝土抗压强度预测实时性与准确性要求的问题,提出一套基于新式仿生算法金枪鱼群算法优化极限学习机(TSO-ELM)的混凝土抗压强度预测方法。该方法通过对ELM隐藏层初始参数中的连接权值与偏置值使用TSO进行寻优,有效提升了ELM的预测准确度。在仿真实验部分,通过两组混凝土数据集对ELM的预测速度、TSO的寻优能力、TSO-ELM模型的泛化性逐一进行验证。结果表明,该方法可以有效提高预测的速度与精准度,迭代次数更少,同时具有良好的泛化性,为现场施工及时进行混凝土抗压强度的预测提供了一种新方法。