极端学习机

摘要： 针对极端学习机(ELM)方法在预测建模过程中因参数随机生成导致的结果不确定性,提出了一种加速鱼群算法(AAFSA)优化极端学习机的锂离子电池剩余寿命预测方法。针对基本人工鱼群算法(AFSA)存在的收敛速度慢、易陷入局部最优解,通过自适应确定感知距离和移动步长加快收敛速度,并在随机移动时增加混沌扰动提高种群多样性改善AFSA的寻优性能;利用AAFSA确定最优ELM隐含层参数,建立锂离子电池剩余寿命预测模型;利用NASA锂离子电池数据集验证,剩余寿命预测相对误差低于4%。与ELM相比预测结果更加稳定可靠,相比支持向量回归(SVR)及其改进方法预测精度有明显的提高,最高可提升近50%。

摘要： 针对传统的多尺度核极端学习机对噪声敏感且计算量大的问题,提出一种适用于高斯噪声环境的多尺度核极端学习机.首先,利用最大相关熵准则代替多尺度核极端学习机中传统的最小均方差准则构造目标函数;其次,将1种按训练样本数随机生成尺度因子的多尺度化方法应用于高斯核函数;最后引入拉格朗日乘子法对目标函数进行求解,推导出基于最大相关熵准则的多尺度高斯核极端学习机.实验表明,该算法具有更高的学习效率,与传统多尺度核极端学习机相比,在3个UCI基准数据集上预测精度平均提升30.30％,在对水泥熟料f-CaO含量进行预测的应用实验中预测精度提升23.8％.

摘要： 为充分提取图像中可辨识信息、提高分类正确率,提出多核近似学习网,该网络主要由2部分构成.在.特征提取部分,利用二维高斯分布对原始图像进行区域渐进增强,局部感受野和全局感受野被用于充分提取原始图像和区域渐进增强图像中的局部和全局特征,并将其串联以组成代表图像的特征向量.在分类部分,提出多核近似算法,将近似核映射编码出的低秩特征矩阵作为网络的隐藏层,以求解网络的输出权重.为验证该网络的有效性,利用USPS、MNIST和NORB数据集进行实验,实验证明所提出的多核近似学习网能够在局部感受野极端学习机的基础上进一步提取出特征信息,有效提高了分类正确率.

摘要： 针对传统ECT对于复杂情况下成像精度不高的问题,提出一种基于深度学习的反演方法.通过对传统极端学习机的改进和优化,采用重建图像方法获得的图像特征信息作为训练数据,并将数据输入预测模型得到的结果作为先验信息.通过成本函数封装先验信息和领域的专业知识,并引入空间正则器和时间正则器以增强稀疏性,利用分离的Bregman(SB)算法和迭代收缩阈值(FIST)方法求解规定的成本函数,以获得最终的成像结果.仿真实验结果表明,该方法重建的图像与原流型相比,误差小于10％,并且减少了伪影和变形,提高了重建图像质量.

摘要： 提出了一种改进的最优觅食算法(POFA),在最优觅食算法中引入自适应惯性权值与全局最优解来改进算法的更新公式,同时加入相空间搜索的机制.利用改进的最优觅食算法优化极端学习机(ELM)构建一个改进的极端学习机模型(POFA-ELM),并用该模型对锅炉NOx的排放特性进行建模.将该模型与ELM、差分进化算法、粒子群算法、人工蜂群算法以及基本的最优觅食算法优化的ELM模型进行比较.结果 表明:该模型的预测精度更好,泛化能力更强,可以更加准确地预测NOx的排放质量浓度.

摘要： 针对灰狼算法易陷入局部最优,全局优化能力差的问题,提出一种改进的灰狼算法.将单种群划分为多种群,利用混沌序列初始化各子种群,为防止算法早熟收敛,对各子种群的决策层个体进行反向学习变异,引入竞争策略动态更新各种群决策层个体,提高算法的全局寻优能力.采用改进的多种群灰狼算法优化极端学习机的输入权值和隐含层阈值参数,以提高模型的预测精度和泛化能力,并建立水泥篦冷机二次风温的预测模型.仿真结果表明,此模型辨识精度高,泛化能力强.

摘要： 针对某燃煤锅炉进行了样本特性实验,选取测试集均方根误差(RMSE)作为性能指标,基于不同测试样本数目分别建立电厂NOx排放的极端学习机预测模型。经过31次实验后的结果表明,随着测试样本数的增加,预测样本RMSE呈增长的趋势。当测试样本数为2时,极端学习机(ELM)可以建立相对准确的预测模型。

摘要： 针对某燃煤锅炉进行了样本特性实验,选取测试集均方根误差(RMSE)作为性能指标,基于不同测试样本数目分别建立电厂NOx排放的极端学习机预测模型.经过31次实验后的结果表明,随着测试样本数的增加,预测样本RMSE呈增长的趋势.当测试样本数为2时,极端学习机(ELM)可以建立相对准确的预测模型.

摘要： 电力变压器故障会对电网稳定运行造成很大影响.准确预测变压器油中溶解气体含量,对判断变压器故障隐患具有重要意义.本文提出一种基于极端学习机的变压器油中溶解气体预测模型,使用溶解气体历史值作为极端学习机的训练数据,建立每个气体的预测模型.通过与其它方法实例进行对比,该方法提高了预测精度和建模速度.

摘要： 时间序列分析和预测己在现代信号处理领域得到越来越多的关注.针对实际中广泛存在的非平稳时间序列的预测问题,提出一种在线支持向量极端学习机预测模型.该预测模型采用新型神经网络-极端学习机的隐含层映射代替支持向量机的核映射,综合了极端学习机结构简单、训练简便以及支持向量机泛化能力强的优势.同时为实现在线实时预测,设计了一种在线更新算法对预测模型的权值进行在线更新.基于非平稳Mackey-Glass混沌时间序列和现代金融时间序列的预测仿真实验证明所提方法的有效性.

摘要： 灾后输电铁塔的倒伏状态有效识别关系着电力系统快速修复及其稳定运行.近年来,无人机开始被采用进行灾后应急巡检,但利用图像处理方法来分析铁塔的状态尚缺深入研究.采取LSD直线检测和Harris角点检测相结合的方法,从无人机所摄电力线路走廊图像中提取出输电铁塔轮廓,通过计算得到铁塔外轮廓图的特征参数,并依据灰色关联度,得出判断铁塔是否倒伏的主要特征参数,采用极端学习机(ELM)实现输电铁塔倒伏状态的识别.仿真结果表明,LSD直线检测和Harris角点检测相结合的方法,能有效地从复杂背景中提取出电力铁塔轮廓图,采用ELM识别铁塔倒伏状态的准确率可达93％,为快速进行电力架空线路灾情评估奠定基础.

摘要： 短路电流峰值对低压配电系统选择性保护及其断路器可靠分断十分重要,迄今尚缺乏深入研究.本文利用短路故障早期检测技术,在仿真分析短路故障早期参数的基础上,采用灰度关联度,得出对短路电流峰值的主要影响因素,并采用极端学习机(ELM)实现短路电流峰值的预测.仿真结果表明,灰色关联度可有效辨识短路电流主要因素,降低了短路电流预测特征变量维数,基于短路故障早期检测及极端学习机的短路电流预测方法,具有鲁棒性强且精度高的特点,为低压选择性保护技术的实现奠定基础.

摘要： 当前选择性保护技术的发展已需将系统的选择性保护范围从电源侧向终端侧延伸.本文提出了基于短路故障早期检测及其电流峰值预测的低压系统多层级短路故障选择性保护技术及其系统框架和所需解决的关键问题;介绍了利用小波变换实现短路故障早期检测的原理及方法;针对短路故障电流峰值预测问题,参照实际工程,利用simulink工具搭建了低压系统多层级短路故障模型,提出了基于极端学习机的短路电流峰值预测方法,并通过仿真测试,验证了该方法的有效性。

摘要： 混沌时间序列预测是信号处理和自动控制领域中一个重要的研究方向，神经网络学习算法在处理这种高复杂性，强非线性的时间序列具有很好的优势。本文中，作者应用一种具有良好性能的单隐层前向神经网络学习算法，极端学习机（ELM）学习算法，来进行混沌时间序列问题的预测，仿真结果表明ELM算法在具有较快学习速度的前提下，能够获得较好的预测性能。且极端学习机激活函数的选择具有问题依赖性。

摘要： 基于极端学习机的空间相关MIMO系统的盲调制识别算法，包括如下步骤：步骤S1、构建一个具有Nt个发射天线和Nr个接收天线的MIMO系统；发射天线的个数Nt大于等于接收天线的个数Nr；步骤S2、MIMO系统中BS有M根天线、MS有N根天线，使用矩阵表示窄带MIMO信道；步骤S3、对信号x的N个样本进行特征提取；步骤S4、将N个样本组成训练集，确定期望准确度，隐藏层节点数归零，训练ELM。本发明可以在无需知道传输信道相应参数的情况下对MIMO通信系统进行调制识别，从而应对信号的相关性问题。

摘要： 本发明涉及一种基于谱聚类和遗传优化极端学习机的超短期风速预测方法，包括：S1：准备数据；S2对准备数据进行预处理；S3：对预处理后的数据进行小波变换；S4：对小波变换后的数据进行归一化处理；S5：通过相关性分析对归一化处理后的数据进行选择以确定输入变量；S6：通过主成分分析对S5生成的输入变量进行降维处理；S7：通过谱聚类方法对S6中降维处理后的数据进行聚类分析，与S4中归一化处理后的数据形成极端学习机样本空间；S8：通过极端学习机和遗传算法对S7形成的极端学习机样本空间的数据分层预测；S9：将分层预测值相加，得到超短期风速预测值。本发明实现了对风速的超短期、多步预测，提高预测的准确性，大幅减少计算量，提高预测效率。

摘要： 本发明公开了一种基于极端学习机的纹理分类方法，该方法包括以下步骤：对已知的纹理图像样本进行特征提取，获取纹理特征向量；采用极端学习机作为基分类器，将纹理特征向量作为极端学习机的输入元素，训练基分类器，利用训练样本集对基分类器进行训练，建立分类模型；对未知的纹理图像进行特征提取，根据构建的动力学模型，获得多个基分类器的输出向量；对未知纹理图像获得的多个输出向量，采用动力模型将其进行融合，利用最大决策规则进行未知的纹理图像识别。本发明实现了纹理图像的自动分类和识别，能够获得较高的分类进度，提高了工作效率及其稳定性。本发明具有精度高、速度快、稳定性强等诸多优点，可以用于纹理图像的自动检测。

摘要： 基于相似日特征分类与极端学习机的光伏发电功率短期预报方法，属于光伏电站发电技术领域，用于光伏发电系统的输出功率预报。本发明包括以下几个方面：(1)以公共气象预报网的气象数据为基础，根据季节、日类型等气象特征、光伏发电功率特征对气象数据、光伏发电系统发电量进行相似日特征分类；(2)以基于极端学习机算法的单隐层神经网络为预报模型，将选取的相似日数据作为训练样本，训练极端学习机算法中的单隐层神经网络(3)最后再将预测日最相近的相似日预测时段的已知发电量序列、最高气温、最低气温以及预测日预测时段的最高气温、最低气温作为神经网络输入，预测出光伏电站未来3小时的发电功率。本算法对设备需求较小，预测模型对区域的针对性强。且易于实现，精确度高。

摘要： 本发明涉及分布式供能系统运行优化方法技术领域，是一种耦合极端学习机的全工况分布式供能系统运行优化方法，包括构建基于极端学习机的设备拟合模型、双层运行优化模型；通过KKT条件和对偶理论将基于设备拟合模型的双层运行优化模型转换为单层优化模型；采用混合整数规划方法来求解单层优化运行模型，获得全工况分布式供能系统的最优运行策略。本发明采用极端学习机模型来拟合替代设备的非线性模型，建立双层运行优化模型，并用KKT条件和对偶理论将双层优化模型转换为单层优化模型，最后采用混合整数规划方法求解单目标优化模型，从而求得最优运行策略，提高系统能效，并能降低模型的计算复杂度，更加准确地反映系统的输入输出特性。

摘要： 本发明公开了一种基于变分模态分解和极端学习机的短期径流预测耦合方法，包括以下步骤：通过变分模态分解方法将原始径流序列分解为若干个包含不同水文特征信息的分量径流序列；将每个分量径流序列分别选定影响因子集合，然后构建每个分量径流序列的极端学习机模型，利用正余弦算法对极端学习机模型的计算参数进行优化，并输出每个极端学习机模型的输出值；将输出值进行叠加运算，并输出原始径流序列的预测结果。本发明通过变分模态分解方法、极端学习机模型以及正余弦算法形成短期径流预测耦合方法，能够处理具有高度复杂的动态特的径流过程，大大提高了水文预报中径流预测的精准度。

摘要： 基于极端学习机的空间相关MIMO系统的盲调制识别算法，包括如下步骤：步骤S1、构建一个具有Nt个发射天线和Nr个接收天线的MIMO系统；发射天线的个数Nt大于等于接收天线的个数Nr；步骤S2、MIMO系统中BS有M根天线、MS有N根天线，使用

摘要： 本发明提供一种基于误差修正的极端学习机风速超短期预测方法，包括步骤：S1：对风速历史数据做归一化处理，获得归一化数据集；S2：建立极端学习机模型，并利用极端学习机模型和归一化数据集进行风速预测，获得初步预测值集和误差集；S3：判断误差集的序列是否平稳；如平稳，将误差集输入自回归滑动平均模型获得第一误差预测序列；如不平稳，将误差集输入自回归积分滑动平均模型获得第二误差预测序列；S4：将初步预测值集和第一误差预测序列或第二误差预测序列叠加，获得最终风速预测值集。本发明的一种基于误差修正的极端学习机风速超短期预测方法，通过对误差进行修正来对风速进行预测，具有提高了风速预测的精度的优点。

摘要： 本发明公开了一种基于极端学习机网络的交通流预测方法，所述极端学习机网络是前馈神经网络，所述极端学习机网络根据神经网络节点包括：输入层，隐含层，输出层；隐含层，所述隐含层是对输入层进行处理的层，通过所述输入层节点加权获得所述每一个隐含层节点；输出层，所述输出层为神经网络预测层，所述输出层用于验证神经网络的预测准确度。

摘要： 本发明公开了一种基于极端学习机的水泥熟料烧成系统变增益模型辨识方法，该建模方法以窑头喂煤量、高温风机挡板开度为输入量，以烟室氮氧化物含量、氧气含量作为输出量。在采样数据基础上，采用极端学习机辨识水泥熟料烧成系统的稳态模型，最小二乘法辨识水泥熟料烧成系统的ARX动态模型，利用烧成系统极端学习机稳态模型获取烧成系统增益K