关键词： 交通工程   深度学习   双向长短时记忆神经网络   极限学习机   交通预测  

摘要： 深度学习短时交通流预测中，存在数据处理实时性较弱，以及算法对交通流数据的复用和修正能力不足导致预测性能较差的问题。针对这一问题，提出一种融合滞后极限学习机的深度双向长短时记忆神经网络短时交通流预测方法。首先，引入权值共享机制对双向长短时记忆网络模型进行结构优化，在模型训练过程中不断进行权重更新和偏置更新，从而充分利用逆序逆转数据增强数据的复用和修正能力；其次，为了进一步提高算法实时性，引入极限学习机模型，并在其神经元激活函数中嵌入生物神经系统中的滞后参数进行优化，加速了运算效率，提升算法的整体实时性。实验结果表明：提出的方法预测精度和算法实时性均有提升，与经典方法CNN-BiLSTM和多元集合CNN-LSTM相比，平均绝对误差分别减少了6.82、6.47,计算速度分别提高了12、19 s,具备良好的短时交通流预测能力和实时性。

关键词： 橡胶衬套   哑铃状试样   疲劳寿命预测   极限学习机   Miner准则  

摘要： 橡胶衬套是汽车悬架系统的重要元件,在连续交变载荷的激励下,容易发生疲劳失效,影响整车的操纵稳定性和安全性。因此,准确的预测橡胶疲劳寿命,能够确保橡胶衬套在正常服役期间不发生疲劳失效。本文基于机器学习方法,以某悬架橡胶衬套为研究对象,开展了橡胶衬套疲劳寿命预测与试验方法研究,主要研究内容如下: (1)以哑铃状试样为试验对象,建立橡胶材料超弹性本构模型。通过加载位移计算出对数应变(应变幅值、应变均值和应变比),对试样进行有限元分析。开展了21组不同应变比R(R(29)0、R(27)0和R=0)恒幅载荷下的单轴拉伸-压缩疲劳试验,并基于恒幅载荷疲劳试验,考虑了应变比R、应变水平、加载顺序等因素对橡胶疲劳寿命的影响,开展了9组变幅载荷下的试样疲劳试验,得到不同载荷工况下的橡胶疲劳寿命。 (2)根据哑铃状试样的疲劳试验数据,计算了正态分布、对数正态分布和威尔布(Weibull)分布的概率分布模型相关参数,得到对应分布下的概率密度函数曲线、累积分布函数曲线和可靠度函数曲线。随着疲劳寿命周期增加,橡胶材料疲劳失效概率逐渐增加。离散疲劳寿命数据扩展前,正态分布、对数正态分布和Weibull分布均符合K-S检验条件。通过自举(bootstrap)随机抽样扩展疲劳寿命数据后的检验结果表明:对数正态分布更适合量化在一定应变水平下橡胶材料的疲劳寿命分布。并依据标准正态分布表,计算了可靠度为30%、50%和90%下服从对数正态分布的试样疲劳寿命。 (3)以应变幅值、应变均值和应变比为输入变量,实测橡胶疲劳寿命为输出变量,建立了蜣螂算法-极限学习机(DBO-ELM)疲劳寿命预测模型。为了比较优化效果,采用支持向量机(SVM)、反向传播神经网络(BPNN)和极限学习机(ELM)模型进行对比。研究结果表明,DBO-ELM模型具有较高的预测精度,训练集和测试集的预测寿命均在实测寿命的1.5倍离散线以内。通过Miner线性累积损伤法则,以恒幅载荷预测结果预测变幅载荷下试样的疲劳寿命。研究结果表明,变幅载荷下的试样预测寿命均分布在实测寿命的2倍离散线内,预测寿命结果与实测寿命结果相一致。 (4)以某悬架橡胶衬套为研究对象,开展了恒幅和变幅载荷下的疲劳试验,基于DBO-ELM模型预测恒幅载荷下的衬套疲劳寿命,训练集和测试集的预测寿命均在实测寿命的1.5倍离散线以内。基于Miner线性累积损伤法则,预测变幅载荷下的橡胶衬套疲劳寿命。研究结果表明,变幅载荷下的橡胶衬套共能经受2.78个循环的寿命,预测结果和实测结果的偏差为13.66%,满足橡胶衬套疲劳寿命预测的工程应用要求。

关键词： 冲击性负荷预测   集合经验模式分解   混沌多目标蚁狮优化算法   核极限学习机  

摘要： 针对冲击性负荷预测问题,提出了一种基于混沌多目标蚁狮优化算法(chaotic multi-objective antlion optimization algorithm,CMOALO)和核极限学习机(kernel extreme learning machine,KELM)的冲击性负荷预测模型。首先,为了降低预测难度,使用集合经验模式分解(ensemble empirical mode decomposition,EEMD)将原始冲击性负荷分解为一系列更为平稳的子序列。为了同时提升模型的预测精度和稳定性,提出了一种MOALO;其次,为进一步提高算法的解搜索能力,将MOALO与混沌运算融合,提出了CMOALO算法,将其用于优化KELM。最后通过某地区真实采集的冲击性负荷数据对所提出的EEMD-CMOALOKELM模型进行验证。通过案例分析可知,所提出的冲击性负荷预测模型,无论是在预测精度还是预测稳定性方面,性能最好。

关键词： 溪洛渡库区   滑坡位移   长短时记忆网络   短期预测  

摘要： 库岸边坡是一个复杂的地质综合体,库岸滑坡是威胁库区安全的地质隐患。多数传统滑坡预测模型为静态模型,未将滑坡变形特征与位移预测二者结合考虑,不能实际反映滑坡演化过程中的动态特性。本文基于溪洛渡库区58处涉水滑坡变形监测结果,归纳了库岸滑坡变形规律,采用机器学习方法实现了不同特征滑坡变形趋势的短期预测。研究结果显示:(1)研究区年平均地表形变速率处于-116.841~265mm·yr^(-1),负值代表目标地物远离卫星方向位移,正值代表目标地物靠近卫星方向移动,其中存在缓慢变形滑坡13处,根据其累计位移曲线特征划分为:阶跃型、振荡型和持续增长型三类。(2)阶跃型滑坡滑面多为弧线型,其变形主要受库水位周期性变动影响;振荡型滑坡滑面多为折线型,其变形多受库水位和降雨共同作用;持续增长型滑坡滑面多为直线型,其变形主要受自身地质条件控制。(3)针对不同变形特征滑坡,采用长短时记忆(LSTM)神经网络模型考虑多因素耦合和滑坡演化状态建立了滑坡变形动态预测模型,通过评价结果验证,该模型具有较高预测精度及良好的适用性。研究结果可以为溪洛渡库区滑坡系统研究与防治提供依据,为库区不同变形特征滑坡短期预测提供新思路。

关键词： 岩爆   极限树   朴素随机过采样   主成分分析   交叉验证  

摘要： 随着地下工程向深部发展,岩爆预测变越得来越紧迫。机器学习的迅速发展使得越来越多的智能算法被用于预测岩爆。针对监督学习算法在岩爆预测中的缺陷,本文通过使用朴素随机过采样、特征权重分析、主成分分析、交叉验证和过拟合分析等方法,建立了基于极限树(ET)算法的模型。收集246个岩爆案例建立数据库,数据库分为训练集(70%)和测试集(30%),选取8个特征值作为输入参数。通过对比三种过采样处理方法,最终采用朴素随机过采样的方法处理数据集以便获得均衡的数据集,与不均衡的数据集相比准确度提高了12%。为解释ET模型,引入排列重要性算法分析了8个特征值的相对重要性。结果表明弹性能指数是最重要的因素。通过主成分分析对数据进行可视化分析,发现经过过采样处理后的轻微岩爆和中等岩爆数据变得相对离散。使用交叉验证的方法确定ET中的超参数,并对模型的泛化性进行评价,结果表明ET模型具有较好的泛化性。

关键词： 质量预测   互信息法   改进多隐层极限学习机   混合核函数   双向长短时神经网络   Circle混沌映射   Levy飞行   改进灰狼算法  

摘要： 在产品生产过程中，准确快地预测产品质量有助于企业及时调整制造工艺，降低损失。针对实际生产过程中，现场采集的工艺数据存在维度高、相关性复杂且用传统方法难以准确预测的问题，提出一种基于改进多隐层极限学习机（Improved Multiple Hidden Layer Extreme Learning Machine，LCGWO-DMKEA-BLSTM）的方法。首先，通过互信息法（Mutual Information，MI）对采集的生产工艺特征参数进行筛选，组成模型输入初始特征集。其次，将高斯核函数与反余弦核函数加权结合，构造出新的混合核函数，并引入自动编码器对极限学习机进行改进，建立深度多内核极限学习机自编码器（Deep Multi-Kernel Extreme Learning Machine Auto-encoder，DMKEA）特征挖掘模型，从高维复杂工艺特征集中提取最能反映产品质量的关键特征信息，输入决策层双向长短时神经网络（Bidirectional Long Short-term Memory Network，BLSTM）中进行质量预测。在DMKEA学习训练中，采用基于Circle混沌映射和Levy飞行策略改进的灰狼算法（Improved Grey Wolf Optimizer，LCGWO），优化惩罚系数、核参数以及核函数组合权重，提高DMKEA的特征挖掘能力。最后用半导体薄膜晶体管液晶显示器生产线的工艺数据实验验证了所提出方法的有效性。研究成果有助于企业实现准确地产品质量预测，也为企业生产的数据赋能提供参考。

关键词： 极限学习机   城建项目   工程造价   网络模型  

摘要： 城建项目工程的初步投资估算,在项目方案的比选和投资控制中起着至关重要的作用。城建项目决策阶段因信息量有限,对建设项目的工程造价进行预测十分必要。基于此,研究基于极限学习机算法的城建项目工程造价预测方法,首先在公开数据库中选择城建项目工程造价数据,采用缩放处理方法描述数据特征,其次按照不同的数据特征进行统一化处理,最后基于极限学习机算法构建网络模型,预测不同类型的城建项目工程造价,从而完成方法设计。以不同工程项目为测试对象的实验结果表明,新方法能够实现对不同工程单方造价的有效预测,具有应用价值。

关键词： 变压器   油色谱   气体浓度预测   极限学习机  

摘要： 为提前感知变压器故障状态,根据变压器油中特征气体的特点,通过对主变油温、变压器负荷及油色谱数据进行分析,利用极限学习机算法,构建变压器油中气体浓度预测模型,从而预测出变压器在未来时刻的气体浓度状态,解决传统的离线溶解气体分析间隔时间较长和间隔期间变压器状态难以评估的问题。利用本文提出的基于极限学习机的变压器油中气体浓度预测模型,可以实现对变压器油中的气体浓度预测,为变压器检修提供数据支撑。

关键词： 极限学习机   市场需求侧   电力负荷   短期   预测  

摘要： 为了优化市场需求侧短期电力负荷预测效果,减小负荷预测偏差,引入极限学习机,开展基于极限学习机的市场需求侧短期电力负荷预测方法研究。从缺失电力负荷数据补充、异常电力负荷数据识别与修正两个维度,对市场需求侧短期电力负荷数据进行预处理。在此基础上,建立基于极限学习机的负荷预测模型,预测市场需求侧短期电力负荷数据的动态变化。实验分析结果表明,应用文章提出的方法,短期电力负荷数据集的预测平均绝对百分比误差始终小于对照组,均未超过1%,预测精度较高。

关键词： 地表最大沉降   主成分分析   哈里斯鹰算法   极限学习机   沉降预测  

摘要： 城市地铁盾构施工引发的地面过大变形会严重影响周边构筑物的正常使用,甚至引发工程事故。针对传统预测方法中的数据维度过大容易导致精度降低、计算复杂等问题,提出了一种基于主成分分析(principal component analysis,PCA)算法和哈里斯鹰优化(Harris Hawks optimization,HHO)算法的极限学习机(extreme learning machine,ELM)预测模型。在地质、几何及盾构参数中初选14个影响因子,利用PCA算法在14维数组中分离和提取5个主成分变量作为模型的输入,利用HHO优化ELM模型的输入层权值和隐含层阈值参数,得到预测模型的最优解。以昆明轨道交通五号线怡心桥站—广福路站隧道区间监测数据进行仿真验证,并将该模型与BP神经网络、RBF、未优化的ELM模型进行对比分析。结果表明:PCA-HHO-ELM预测模型的均方根误差为0.1435、平均绝对误差为0.0262、决定系数为0.9596,相较于其他模型,该模型具有更优的预测性能;与未优化的ELM模型相比,HHO算法能够提高ELM模型的预测精度和泛化能力。PCA-HHO-ELM模型能可靠预测盾构诱发的地表最大沉降,可为类似变形预测提供一种更为可行的新思路。