极限学习机

摘要： 燃气调压器存在故障数据样本少、发生故障不易察觉等问题,传统的离线诊断模型难以有效学习故障数据的特征信息且难以实时更新诊断系统。针对上述问题,提出一种基于集合经验模态分解(EEMD)、主元分析法(PCA)与在线贯序极限学习机(OSELM)结合的故障诊断方法。利用EEMD对获取的故障数据流进行频域分解,并通过PCA对已分解的不同频率分量进行特征提取;然后,随机选取少量经处理后的故障特征样本利用极限学习机(ELM)算法对模型进行初始化,并将剩余样本经EEMD⁃PCA处理后以数据流的方式对现有模型进行更新,通过在线增量学习方法递推计算故障诊断系统参数并给出诊断决策。利用某调压器故障信息进行仿真实验,结果表明,所提EEMD⁃PCA⁃OSELM故障诊断方法能在保证较高识别率的前提下实现快速故障诊断。

摘要： 提出一种基于鲸鱼算法优化极限学习机的微电网故障诊断方法。首先利用小波包分解对三相故障电压进行分析,计算小波包能量熵组成特征向量作为数据样本;然后通过鲸鱼算法优化极限学习机建立诊断模型对故障类型进行识别和诊断。最后利用鲸鱼算法优化极限学习机的输入权值和隐层神经元阈值,解决了输入权值和隐层神经元阈值随机初始化易影响网络性能的问题,可进一步提高网络的学习速度和泛化能力,有利于进行全局寻优。仿真结果表明,与BP神经网络、RBF神经网络和ELM相比,基于鲸鱼算法优化极限学习机建立的故障诊断模型学习速度更快、泛化能力更强、识别精度更高。

摘要： 针对近距与超视距空战的特点,提出一种基于粒子群优化(PSO)算法与极限学习机(ELM)的空战效能评估模型。引入一种基于M估计的ELM,以抵御样本数据中粗差的干扰;采用基于混沌策略的PSO算法优化ELM隐含层的输入权值和偏差,以降低随机选取参数的影响,提升评估模型的精度;利用所建模型对战斗机空战效能进行评估。仿真表明,所提方法仅通过20次迭代就收敛到令人满意的精度,并具较强的抗粗差能力,从而验证了其可行性和有效性。

摘要： 众所周知,云数据库已在各行各业广泛应用并且发挥着不可替代的作用。但正是云数据库的可扩展、分布式以及虚拟化的特性,导致了云数据库面对恶意行为时表现出明显的脆弱性。因此为了提高云数据库的安全性,开展针对恶意行为智能检测的相关研究是至关重要的。对粒子群优化算法进行了改进并与核极限学习机相结合,提出了一种基于改进粒子群优化和核极限学习机的恶意行为识别模型(KE-VP),通过分析云数据库上的网络流量来检测是否存在恶意行为并将恶意行为准确分类为具体的攻击类型。通过实验分析,发现KE-VP与现有方案相比具备更好的检测精度和检测效率。

摘要： 为了提高车刀磨损量预测模型的训练速度和在线预测精度,提出了一种基于改进粒子群算法(Improved Particle Swarm Optimization,IPSO)和极限学习机(Extreme Learning Machine,ELM)的刀具磨损量预测方法。采集车削加工中的声发射信号,利用小波包变换理论对信号进行降噪和特征提取,并通过主成分分析对提取的特征进行降维,选取其中对刀具磨损量敏感的特征值组成特征向量。建立基于极限学习机的刀具磨损量预测模型,并通过改进粒子群算法优化模型中的初始权值和阈值。实验结果表明:优化后的刀具磨损量预测模型相比于传统BP神经网络有更快的训练速度,同时改进后的粒子群算法有更好的寻优能力,提高了模型对于刀具磨损量的预测精度。

摘要： 针对高炉冶炼过程的复杂、多变以及非线性等因素,提出了一种基于粒子群算法(Particleswarmoptimization,PSO)和遗传算法(Geneticalgorithm,GA)相结合来优化极限学习机(Extremelearningmachine,ELM)的高炉铁水硅含量预测模型。PSO-GA-ELM预测模型,主要是在PSO算法进行适应度值计算、粒子的速度更新和位置更新时将GA算法中的选择、交叉和变异等操作融入其中,使其输出最优的连接权值和阈值代入到ELM模型中。通过对4种不同的预测模型进行实验验证,结果表明,优化后的PSO-GA-ELM模型在进行铁水硅含量预测时的预测精度、学习能力和泛化性能均高于其他三种预测模型。

摘要： 针对传统极限学习机预测模型精度低和稳定性能差的问题,提出了一种利用粒子群算法优化极限学习机的短路电流峰值预测模型。建立超高压输电线路仿真模型,分析短路故障波形特点,获取全相角短路故障电流历史数据,利用平均相对误差、均方根误差、灰色绝对关联度三种精度检验法作为粒子群算法的适应度函数,构建粒子群算法与极限学习机算法相结合的电流预测模型。实验结果表明,以灰色绝对关联度作为适应度函数的粒子群优化极限学习机算法,对短路电流峰值预测精度较高、速度较快,当故障点位置未知时,采用粒子群优化极限学习机算法依然可以准确预测短路电流峰值,提升了算法应用的实际意义,为超、特高压线路快速限制、消除短路故障奠定理论基础。

摘要： 由于传统的被动型入侵防御技术应对大数据时代的各种网络攻击能力不足,研究使用粒子群优化算法优化极限学习机隐含层神经元的内连接权值,解决了随机产生权值造成的分类检测稳定性不足、分类效果差的问题。仿真实验选取CUP99数据集进行性能测试,与经典的极限学习机模型对比发现,该文提出的PSO-ELM算法,其入侵检测的平均识别准确率高达98%以上,且收敛速度快、稳定性较好,明显优于ELM神经网络模型,应对大数据时代的网络入侵效果尤为理想。

摘要： 非侵入式负荷识别是高级电力量测系统的首要环节,对智能电网的建设具有重要意义。为解决传统非侵入式负荷识别算法识别速度慢、准确率低的问题,提出一种基于麻雀搜索算法(SSA)优化极限学习机(ELM)的非侵入式负荷识别方法。该方法通过SSA获取ELM隐含层的最优输入权值和阈值,构建出SSA-ELM非侵入式负荷识别模型。在实际采集的6种常用家庭负荷数据集上对该模型进行负荷识别实验,结果表明,基于SSA-ELM的非侵入式负荷识别算法的识别准确率为96.1%,优于传统的ELM(86.3%)和BP神经网络算法(91.8%)。基于SSA-ELM的非侵入式负荷识别算法能有效应用于家庭用电负荷的识别中。

摘要： 在脑电(EEG)信号分析方法中,时频分析方法综合考虑了信号的时间与频率两者的分辨率,同时改善了单纯时间域或频率域分析方法的短板。本实验使用S变换代替短时傅里叶变换将左右手运动想象脑电信号转换为二维时频图像形式,然后构建卷积神经网络-极限学习机(CNN-ELM)模型进行分类。在面对小样本训练数据时模型能力受到限制,提出一种数据增强方法,通过ACGAN对时频图像进行生成,有效丰富了训练样本数量。实验结果表明:CNN-ELM模型识别效果好,泛化能力强,进行数据增强后识别正确率得到了进一步的提升。

摘要： 为提高参考作物蒸散量模拟的准确性,提出蝙蝠算法优化极限学习机的参考作物蒸散量模拟模型.基于汕头站1966-2015年月值气象数据(包括逐月最高温度、最低温度、地表总辐射量、风速和相对湿度),建立参考作物蒸散量的极限学习机模型,并采用蝙蝠算法通过交叉验证方法对极限学习机的正则化系数和径向基函数的幅宽进行优化,最后对参考作物蒸散量模拟效果进行评估.结果表明:与传统调参方法和遗传算法优化后的模型相比,蝙蝠算法优化参数极限学习机模型建立了整体性能优异并且稳定的参考作物蒸散量模型,提高了参考作物蒸散量的模拟精度.

摘要： 本文采用自回归滑动平均(ARMA)模型模拟大跨度斜拉桥的脉动风速时程.通过比较模拟风速功率谱、自相关和互相关函数与目标风速功率谱、自相关和互相关函数的吻合程度,验证数值模拟的有效性,以建立脉动风速数据库.将脉动风速数据库划分为训练集和测试集,运用极限学习机(ELM)对训练集进行学习,进而对脉动风速时程进行预测.结果表明,ELM预测风速的幅值、自相关和互相关函数与目标值吻合很好,是一种有效的大跨度桥梁脉动风速预测算法.

摘要： 本文利用粒子群优化算法优化极限学习机构建心脏病预测模型,通过极限学习机算法建立疾病预测模型,采用粒子群优化算法优化选择极限学习机的输入层权值和隐含层偏差,对不同等级心脏病患者和非心脏病患者进行分类研究,为心脏病的进一步预防和治疗提供指导.研究结果表明优化后的极限学习机算法分类效果优于极限学习机算法,心脏病预测准确率可提高至94.57％,说明该模型具有一定的可行性和有效性.

摘要： 极限学习机(Extreme Learning Machine,ELM)是一种基于单隐层前馈神经网络的新型快速学习算法,为提高ELM对故障分类的准确性,提出一种基于局部均值分解(Local Mean Decomposition,LMD)的ELM的轴承故障分类方法.首先用LMD对故障信号进行分解,得到若干乘积函数(Production Function,PF),然后提取与原信号相关度较大的PF分量重构成新的待测数据;其次,建立轴承的极限学习机故障分类模型;最后,将参数指标组成的特征向量输入ELM进行故障的分类识别.实验表明,与ELM直接分类相比,新方法能以更高的准确率进行轴承故障分类.

摘要： 极限学习机(ELM)是一种新型的单隐含层神经网络的训练方法,同传统的基于梯度的网络训练方法相比,具有快速的学习速度和更好的泛化性能.ELM在实际应用中往往需要大量的隐含层神经元,由于随机设定输入权值和偏置值,容易导致病态问题的出现.为解决上述问题,提出一种应用量子粒子群(QPSO)优化包括隐含层节点个数在内的网络参数的方法.这种优化基于验证集的均方根误差,考虑到了输入权值矩阵的范数.在典型的回归和分类问题上进行试验证明了算法的有效性.

摘要： 头皮脑电(electroencephalogram,EEG)中包含了大量的生理和病理信息,在癫痫等脑科疾病的诊断中起着非常重要的作用.当前临床上对EEG信号的分析主要以临床医师目测分析为主,这使临床医师任务繁重,且分析结果没有定量化的标准.因此,癫痫脑电信号的自动化分类在当前临床应用上有着巨大的潜力.提出一种自动检测癫痫发作信号的方法,基于多尺度排列熵结合极限学习机分类器来识别癫痫脑电信号和正常脑电信号.实验结果表明这种自动识别癫痫脑电信号的方法不仅分类精度高,且计算速度快,对于癫痫发作的实时检测应用提供更多的可行性.

摘要： 为实现气象资料缺失情况下ET0的精确预报,选取中国西北旱区4个代表性站点的气象资料,建立15种基于极限学习机(ELM)的ET0预报模型,并通过与其他ET0计算模型对比和可移植性分析探究ELM在西北旱区的适用性.结果表明:基于温度和风速的ELM7,预报精度较高(整体评价指标GPI排名第4);基于温度和辐射的ELM5,预报精度(GPI排名第6)明显高于Iramk模型和Jensen-Haise模型;仅基于温度的ELM9预报精度(GPI排名第8)高于Hargreaves-Samani模型.通过模型可移植性分析发现,ELM7,在西北旱区内各训练站点和预测站点组合下预报精度良好.因此,可将ELM5,(输入温度和辐射)、ELM7,(输入温度和风速)和ELM9(输入温度)作为西北旱区较少气象参数输入情况下精确预报ET0的推荐模型.

摘要： 准确的负荷预测对确保智能电网的电力系统安全稳定运行具有重要意义.受多种因素的影响,电力负荷曲线呈现出非线性特性,因此电力负荷预测问题的解决需要建立在非线性模型的基础之上.为了提高智能电网电力负荷预测的效率与准确性,提出了一种天牛须搜索(BAS)算法和极限学习机(ELM)相结合的负荷预测模型,BAS寻找ELM网络中最优的输入权值、隐含层阈值.最后通过模拟实验数据分析,BAS_ELM模型比ELM和PSO_ELM模型预测性能更优.

摘要： 针对现有故障监测方法运算量大,需要数据长度大,难以实时发现异常情况等问题,本文提出一种快速有效识别电能质量故障的方法.首先基于时间序列相似性故障先判模型划分置信区间,根据数据与正常数据模板的相似性约简故障表征参数,然后结合S变换分析和极限学习机构建故障分析模型.该方法有效减少运算量与故障监测参数的个数,能够更快速的发现故障.仿真实验结果表明,该方法能够有效实现故障的预判及分析,具有计算速度快、判断准确等特点.通过承德钢厂实测电力故障数据验证了该方法的可行性和优越性.

摘要： 区域中太阳能应用由于涉及因素多且繁杂,其太阳能潜力研究一直是国内外关注的焦点,尤其是住区形态与太阳能潜力之间的关联度,由于影响因子多、数据处理量大,因而潜力计算精度、耗时以及优化都是深入研究的难点.研究旨在运用ELM算法,依据多年对住区形态模型库数据的研究积累,对住区形态与太阳能潜力关系模型进行训练,构建了基于住区形态控制指标数值的住区太阳能辐射模型,并运用该模型解析了居住区关键形态参数对太阳能潜力的影响程度.

摘要： 本发明涉及一种改进极限学习机，尤其是一种融合最小二乘向量机回归学习思想的改进极限学习机，属于人工智能的技术领域。本发明在传统极限学习机经验风险最小化基础上，融合了最小二乘向量机回归学习思想，增加了结构风险控制项，通过有效调节两种风险的比例来求解，这就大大降低了模型产生过度拟合的风险。通过在SinC数据集、Boston Housing数据集及在渔业养殖中的溶氧预测中的实际应用这三个实验表明，与ELM算法和EOS-ELM算法相比，该方法的预测误差与训练误差比较接近，有效降低了过拟合问题，其预测的精度也得到了一定的提高。

摘要： 本发明涉及风速预测技术领域，公开了一种基于负相关学习和正则化极限学习机集成的风速预测方法，首先利用最优变分模态分解‑样本熵将原始风速时间序列分解为具有若干个具有不同复杂程度的子序列，然后采用基于负相关学习和正则化极限学习机的集成模型对各子序列进行建模，最后对各子序列的预测结果进行叠加，得到最终的风速预测结果。与现有技术相比，本发明集成模型采用正则化极限学习机作为基模型，具有更快的收敛速度和更强的稳定性能，能够更好的捕捉风速时间序列的非线性特征；负相关学习作为一种神经网络集成技术，能够增强各正则化极限学习机基模型之间的差异度，有效地提高了单个正则化极限学习机模型的可预测性。

摘要： 本发明涉及一种基于深度迁移学习和极限学习机的红外图像目标检测方法，包括下列步骤:可见光图像目标检测模型训练，使用maskrcnn二阶段多任务检测架构，在可见光样本集D上训练，将mask掩膜输入神经网络中，重新定义整体网络结构的损失函数；基于样本迁移的方法，通过扩大目标域，即红外样本集T的分布，得到迁移学习的数据集；基于模型迁移的方法，将基于可见光图像的精度高的目标检测模型当作上述生成的迁移学习的数据集的预训练模型，采用与可见光目标检测相同的框架，进行训练；采用极限学习机代替网络全连接层，克服小样本模型迁移训练的过拟合现象。

摘要： 本发明公开了一种结合集成学习与加权极限学习机的煤矿瓦斯浓度预测方法，首先获取其历史瓦斯浓度监测数据，数据预处理与缺失数据填充，样本集生成，对样本集Φ中预测目标Y进行拆分，使预测目标Y中的每一列数据均与X结合，构成t个拆分子集，训练子集生成，通过训练子集训练集成学习与加权极限学习机模型，本发明能够实时接收最新的瓦斯浓度数据，形成对未来3小时的瓦斯浓度趋势预测，本发明时间复杂度低，准确度高。

摘要： 本发明涉及一种改进极限学习机，尤其是一种融合最小二乘向量机回归学习思想的改进极限学习机，属于人工智能的技术领域。本发明在传统极限学习机经验风险最小化基础上，融合了最小二乘向量机回归学习思想，增加了结构风险控制项，通过有效调节两种风险的比例来求解，这就大大降低了模型产生过度拟合的风险。通过在SinC数据集、Boston Housing数据集及在渔业养殖中的溶氧预测中的实际应用这三个实验表明，与ELM算法和EOS-ELM算法相比，该方法的预测误差与训练误差比较接近，有效降低了过拟合问题，其预测的精度也得到了一定的提高。

摘要： 本发明公开了基于极限学习机的极限TS模糊推理方法及系统，方法包括：使用K‑means聚类算法对训练数据集对应的原始条件属性值矩阵进行聚类，根据聚类结果构建拓展决策属性值矩阵，利用该矩阵对单个极限学习机进行训练，得到输出层权重，及训练后的极限学习机，将新样本输入极限学习机，得到模糊规则前件的触发强度和后件的结论真值，根据该触发强度及结论真值，进行解模糊化，得到新样本的预测输出。通过利用拓展决策属性值矩阵对单个极限学习机进行训练，使得不需要迭代的参数优化，能够快速的完成训练过程，训练时间短，且基于softmax函数的解模糊化操作，能够有效的实现对触发强度的规范化处理，有效实现预测输出数据的输出。

摘要： 本发明公开了一种基于极限学习机的迁移学习涡轴发动机气路故障诊断方法。采用迁移学习的方法利用不同但是相关的源域中的知识，首先使用源域中的数据进行训练，得到一个泛化性能较好的通用模型，再将通用模型的参数和目标域数据一起加入训练，提高目标域模型在目标域中的表现，以减少对大量目标域数据的依赖。本发明用于识别涡轴发动机的各类气路故障，包括压气机故障、燃气涡轮故障和动力涡轮故障。相比于传统的仅使用同一分布下数据训练的智能诊断方法，本发明使用迁移学习的思想，利用了相关源域的知识，摆脱了对大量目标域数据的依赖。为数据缺乏情况下的涡轴发动机气路故障诊断提供了一个新方法。

摘要： 基于子空间学习和跨域自适应极限学习机的气体传感器漂移补偿方法，它涉及一种气体传感器漂移补偿方法。本发明为了解决大多数基于子空间学习的漂移补偿方法只通过对齐源域和目标域之间的边缘分布来降低分布差异，而没有对两个域之间的条件分布进行评估，降低了漂移补偿方法分类性能同时增加了标签成本的问题。本发明的具体步骤为：步骤一、采集源域和目标域数据集；步骤二、建立特征集；步骤三、子空间学习；步骤四、构件气体分类模型并训练；步骤五、对目标域数据的标签进行预测。本发明属于模式识别领域。

摘要： 本发明公开了一种结合集成学习与加权极限学习机的煤矿瓦斯浓度预测方法，首先获取其历史瓦斯浓度监测数据，数据预处理与缺失数据填充，样本集生成，对样本集Φ中预测目标Y进行拆分，使预测目标Y中的每一列数据均与X结合，构成t个拆分子集，训练子集生成，通过训练子集训练集成学习与加权极限学习机模型，本发明能够实时接收最新的瓦斯浓度数据，形成对未来3小时的瓦斯浓度趋势预测，本发明时间复杂度低，准确度高。

摘要： 本发明提供一种基于类特定重定向极限学习机学习算法的航空发动机故障诊断方法，对正常类样本和故障类样本分别添加不同的正则化参数C