关键词： 滑坡   滑坡易发性   时间顺序   训练/测试集比例   机器学习   工程地质  

摘要： 滑坡易发性预测时大多按空间随机来划分模型训练/测试数据集,但随机划分方式难免将不确定性因素引入建模中.因为理论上滑坡易发性是基于过去的滑坡来预测将来发生滑坡的空间概率,具有显著的时间顺序特征而非单纯的空间随机,可见有必要探索基于滑坡发生的时间顺序划分模型训练/测试集.以浙江文成县为例获取11类环境因子及128个时间准确的滑坡;之后将联接了环境因子的滑坡-非滑坡样本分别按照滑坡时间顺序和空间随机的原则,划分为两类不同训练/测试集;其划分比例分别设定为9∶1、8∶2、7∶3、6∶4和5∶5等以避免不同比例影响研究结果,由此得到10种组合工况下的训练/测试集;最后再训练测试支持向量机(SVM)、多层感知器(MLP)和随机森林(RF)等模型以预测滑坡易发性并分析其不确定性.结果表明:(1)训练/测试集按时间顺序划分的SVM、MLP和RF模型预测的滑坡易发性的不确定性略低于按空间随机性划分的模型,验证了按时间顺序划分的可行性;(2)训练/测试集按时间顺序划分实际上是其在空间随机划分下的一种更符合滑坡发生实际情况的“确定性”特征,当然对缺乏滑坡发生时间的数据集开展空间随机划分也是可行的.

关键词： 滑坡   滑坡位移预测   深度学习   注意力机制   权重   三峡库区   工程地质  

摘要： 现有的基于数据驱动的滑坡位移预测模型大多是基于时间序列数据的单点建模,不能考虑整个边坡的变形相关性和滑坡变形的全局建模.为了克服这一缺点,本研究提出了一种基于时空注意(spatial-temporal attention,STA)机制的深度学习模型,该模型将卷积神经网络(convolutional neural network,CNN)与长短时记忆(long short-term memory)神经网络相结合.通过CNN和卷积注意力模块提取滑坡位移的空间变形特征,利用时间注意机制和LSTM模型从外部因素的时间序列数据中捕获重要的历史信息.注意力机制输出的注意权重值可以揭示滑坡变形的时间-空间特征.以三峡库区泡桐湾滑坡为例,对该模型的性能进行了验证.结果表明,STA-CNN-LSTM模型预测的均方根误差(RMSE)和平均绝对百分比误差(MAPE)与传统灰狼算法优化的支持向量机(GWO-SVM)模型相比分别下降了9.28%和13.88%.模型因子权重计算结果表明,在监测期内随着时间的推移,降雨对泡桐湾滑坡变形的影响逐渐增加,而库水位的影响逐渐减小.

关键词： 风速预测   多步预测   信号分解   特征选择   灰狼优化算法   极限学习机  

摘要： 为了提高风速的多步预测水平,提出了一种基于数据信号分解和灰狼算法优化极限学习机的混合预测模型。首先,使用具有自适应噪声的完全集成经验模态分解算法将原始风速时间序列分解为若干本征模态函数和一个残差序列,并使用偏自相关函数法对模型输入进行特征选择;其次,在分解子序列上分别建立模型并进行预测,构造多输入多输出策略的极限学习机神经网络,使用灰狼优化算法求解其中的最优化隐含层权值和偏置;最后,对子序列进行重构并得到最终的预测结果。使用时间分辨率为15 min的多组实测资料开展模拟实验,所提模型在3个风电场的均方根误差分别为0.859、0.925、0.927 m/s,均低于其他对比模型,验证了该模型在未来4 h风速预测即16步预测中的有效性。

关键词： 光伏电力系统   极限学习机   负荷预测   太阳能  

摘要： 太阳能光伏发电受多种因素影响,包括太阳辐照度和电池板温度等,当室外环境发生变化时光伏阵列无法持续性工作,导致光伏发电的能量转换效率降低,其向电网注入的负荷和电能随之减少。只有准确地对周边环境变化进行分析,才能合理利用太阳能资源,充分调动太阳能光伏发电的输出负荷,为此,研究基于极限学习机的太阳能光伏电力系统的负荷预测方法。光伏电力系统受太阳辐射影响,为对其系统负荷进行预测,通过贝塔函数建立负荷峰值模型,获取光伏电池组的辐射强度,确定太阳辐射的分布概率密度。采用概率密度构建负荷预测函数集,在寻找最优函数的基础上,定义预测函数的依赖关系。基于极限学习机关联预测函数期望值,通过最小二乘解确定预测权值,实现太阳能光伏电力系统负荷预测,完成方法设计。实验结果表明:新方法能够对并行光伏电力系统的出力值进行有效预测,平均相对误差可以控制在1%以下,具有应用价值。

关键词： 高斯核函数   极限学习机   粒子群优化算法   遗传算法   均方根误差   相关系数  

摘要： 针对极限学习机(extreme learning machine,ELM)预测下肢关节力矩时,随机初始化输入权重和偏置影响模型准确度问题,提出一种基于核极限学习机(kernel based extreme learning machine,KELM)的下肢康复机器人关节力矩预测方法。该方法将高斯核函数与ELM相融合,并采用遗传算法(genetic algorithm,GA)与粒子群优化(particle swarm optimization,PSO)结合的基因粒子群GAPSO对KELM的参数进行优化。首先,采集1位在跑步机上以0.4、0.5、0.6、0.7和0.8 m/s等5个不同速度行走的右下肢偏瘫患者运动数据并对数据进行预处理;其次,通过GAPSO对KELM进行优化,获得最优正则化系数C和核函数宽度参数S,将输出关节力矩与反向生物力学分析计算的关节作比较;最后,利用均方根误差(root mean square error,RMSE)和相关系数P来评价算法优越性。实验结果表明,基于GAPSO优化后的KELM(GAPSO-KELM)算法相对于PSO-KELM算法、KELM算法和ELM算法的平均最大均方根误差分别降低14%、18%、28%,且P除了0.8 m/s右侧踝关节内外翻是0.79外,其余P最小是0.84,GAPSO-KELM算法进一步提高预测精度,使其为康复治疗提供更有效的算法支持。

关键词： 地铁车站   隧道   地表沉降   极限学习机   粒子群算法   预测  

摘要： 为了提高地表沉降预测的精度和速度,提出了一种改进的极限学习机模型用于预测地表沉降。引入粒子群算法优化极限学习机的权值和阈值,提高极限学习机的预测效果。以济南轨道交通4号线燕山立交桥站为例,进行模型实证分析,利用改进的极限学习机进行盾构隧道地表沉降预测,并与传统的极限学习机模型进行对比。经过粒子群算法改进的极限学习机模型MSE降低了22%,RMSE降低了28%,MAPE降低了5.3%,验证了经粒子群算法改进后的极限学习机具有较好的预测精度和预测速度。对改进的极限学习机进行了泛化能力实证,验证了该模型具有较好的泛化能力。

关键词： 大坝变形预测   极限学习机   蝙蝠算法   遗传算法  

摘要： 为提升水库大坝安全状态监测水平,针对传统大坝变形预测模型精度不足、性能不稳定的问题,提出一种基于优化蝙蝠算法改进极限学习机的大坝变形预测方法。以费县许家崖水库大坝为研究对象,采用遗传算法优化蝙蝠算法,通过优化蝙蝠算法对极限学习机随机选取的网络参数进行寻优,提升极限学习机的预测性能。结果表明:对比BA-ELM模型、GA-ELM模型,所构OBA-ELM模型预测精度和鲁棒性最高,研究结果能为水库大坝状态管理提供决策依据。

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.