核极限学习机

摘要： 为满足给水系统日常管理对短期需水量预测时效的需求,建立了所需训练时间短的核极限学习机模型(kernel-based extreme learning machine,KELM);从提升预测精度的角度考虑,构造了以傅里叶级数为理论依据的残差修正模块(Fourier se-ries,FS),利用该模块对需水量初始预测值与观测值之间的差值进行建模,完成对初始预测值的残差修正,将该模块叠加于KELM模型上形成了组合预测模型(KELM+FS).通过实际数据对模型进行性能测试,结果表明:KELM模型能够与人工神经网络模型、支持向量回归模型产生相似的预测精度,但预测时间仅为二者平均值的5％左右;组合模型KELM+FS在未显著增加预测时间的前提下,比KELM模型相对预测精度提升了12％左右.在用于短期需水量预测时,无论单一模型KELM还是组合模型KELM+FS都能达到有效提升预测效率的目的.

摘要： 多尺度排列熵(MPE)是一种非线性动力学方法,广泛应用于旋转机械的故障诊断。然而,排列熵没有考虑具有相同排列模式的时间序列可能具有不同的振幅,并且粗粒化方法存在缺陷。为解决上述问题,提出时移多尺度振幅感知排列熵(TSMAAPE)。利用时移时间序列改善MPE中粗粒度时间序列存在的不足,同时引入振幅感知排列熵。通过与时移多尺度排列熵和多尺度振幅感知排列熵进行对比,验证TSMAAPE的鲁棒性。考虑到TSMAAPE在特征提取方面的优势,结合鲸鱼优化算法优化的核极限学习机,提出一种液压泵智能故障诊断方法。结果表明:该方法对液压泵的不同故障具有较好的分类准确率,在故障诊断领域有广阔的应用前景。

摘要： 传统的位移预测模型需要大量数据作为原始训练样本,一定程度上限制了预测模型的应用。为在有限的位移监测数据下进一步提高预测精度,针对金沙江沿岸某长期变形的滑坡体,采用麻雀搜索算法(sparrow search algorithm,SSA),结合核极限学习机算法(kernel-based extreme learning machine,KELM)算法,对滑坡的位移变化提出一种新的多变量位移预测方法,并与传统的支持向量机(support vector machine,SVM)进行对比,结果显示改进的SSA-KELM耦合滑坡预测模型比SVM模型预测精度更高,对金沙江沿岸地区的滑坡具有良好的位移预测效果。

摘要： 针对大多数路面裂缝检测算法对坑洼、松散和车辙等复杂病害分割适应较差的问题,提出了一种基于训练样本自动选取与改进的核极限学习机相结合的检测方法。首先使用二维Otsu选取训练样本并提取LBP特征和HOG特征,然后采用遗传算法对核极限学习机中随机给定的输入权值和隐含层偏差进行优化,将降维后得到的特征向量作为特征属性对改进的核极限学习机进行训练,最后用训练好的分类器对路面病害进行检测。经实验证明,该算法与对比实验相比分割精度提高了24.8%,运行时间为4.31 s,是一种鲁棒性较强的检测方法。

摘要： 针对滚动轴承发生故障时非线性信号特征难以提取导致诊断效率较低的难题,提出一种基于参数优化改进的多尺度排列熵(Multi-scale permutation entropy,MPE)与核极限学习机(Kernel extreme learning machine,KELM)相结合的故障诊断方法。首先,使用关联积分法(C-C算法)对MPE的嵌入维数和时间延迟进行优化;其次,计算滚动轴承振动信号在选定的经验参数与优化参数下各尺度的排列熵值并以此构建特征向量;最后,利用KELM对滚动轴承进行故障分类。结果表明,参数优化后的MPE结合KELM的故障诊断方法能够有效地提取出故障特征进而很好地实现故障诊断。

摘要： 在核极限学习机(Kernel Based Extreme Learning Machine,KELM)分类应用的基础上,结合狮群算法(Loin Swarm Optimization,LSO)强全局寻优能力与收敛快的特性,提出一种LSO优化KELM算法。将测试准确率作为LSO优化KELM的适应度函数,根据移动位置获取最优适应度值进行数据分类测试的评价标准。采用UCI数据集仿真测试,实验结果表明,较KELM分类,LSO优化KELM可获得更优的分类准确率;较麻雀搜索算法(Sparrow Search Algorithm,SSA)优化KELM,LSO优化KELM收敛速度快,分类性能更优。

摘要： 针对电能质量扰动信号分类识别的需要,以及BP(Back Propagation)网络分类器模型计算量大、训练时间长、计算速度无法满足电力系统在线分析要求等问题,提出一种蜂群优化核极限学习机分类器模型,采用小波变换提取电能质量扰动信号的特征向量作为样本,使用最优参数下的核极限学习机分类识别电能质量扰动信号.仿真结果表明:与未优化极限学习机相比,蜂群优化核极限学习机分类器分类识别的正确率提高了20%,误判率降低3%,蜂群优化核极限学习机分类模型对电能质量扰动识别具有一定的效果.

摘要： 当大量逆变器接入电网时,会发生谐波不稳定问题。并网逆变器dq阻抗的准确获取是分析该问题的关键前提之一。仅基于知识驱动的白箱建模方法难以适应工程现场信息保密的实际情况,黑箱或灰箱测量方法会向实际系统持续注入谐波扰动;仅基于数据驱动的方法难以合理确定输入变量。针对这些缺陷,提出了一种基于知识和数据联合驱动的并网逆变器多工况dq阻抗获取方法。首先,基于知识驱动建立小信号模型以选取输入变量;然后,结合数据驱动具有较好拟合输入输出变量间非线性关系的优点,采用基于遗传算法的核极限学习机获取多工况dq阻抗;最后,借助RT-LAB搭建半实物实时仿真平台,验证所提方法的有效性及优越性。

摘要： 风速、风向的随机性导致风电场功率具有很大波动,对风电功率的精确预测在提高电网运行能力,增强电网接收风电能力和适时安排风电场检修计划等方面提供重要依据。提出了一种粒子群优化核极限学习机(PSO-KELM)算法;对风电机组SCADA数据进行预处理,补充和纠正异常数据;针对极限学习机的复共线性问题提出基于核函数的改进极限学习机,避免了极限学习机输出结果的随机性;采用粒子群优化算法对KELM核函数中的惩罚因子和径向参数值进行优化,建立了基于粒子群优化的极限学习机模型。与BPNN与RBFNN等其他方法相比,真实风电场数据验证了该模型的预测精度。

摘要： 针对短期电力负荷预测精度低、泛化能力弱等问题,提出了一种基于相似日选取与多集成组合的短期电力负荷预测模型。首先利用最大信息准则MIC(maximal information coefficient)选取高相关变量作为模型输入;然后综合考虑MIC与灰色关联度,对气象敏感性较弱地区的负荷进行相似日选取;最后引入集成随机子空间、自适应增强、堆叠-神经网络的框架组合多核核极限学习机,对待预测日进行回归拟合,输出最终预测结果。采用马来西亚柔佛州供电公司提供的负荷数据进行算例分析,结果表明,相比于随机森林、BP神经网络和循环门控单元,所提模型的预测精度更高、泛化能力更强。

摘要： 深度学习将特征的表示学习和模式分类集成到同一个框架下,可直接从振动信号逐层提取高度抽象、紧致的特征,不需繁琐的人工提取特征.近年来,基于深度学习的诊断方法取得了比支持向量机等浅层模型方法更好的诊断性能,成为故障诊断领域新的研究趋势.然而现有研究大多致力于解决训练和测试数据源于相同工况的封闭假设任务.当工况变化时,其诊断性能严重衰退.针对此问题,本文提出一种新的解决方案,利用深度自编码器从振动信号的频谱中提取深度特征,采用核极限学习机作为顶层分类器进行故障诊断.将新方法与现有的深度学习方法进行综合比较试验,对变工况下旋转机械故障数据的诊断结果表明:新方法对工况变化具有良好的泛化性能,显著提高了变工况条件下的故障诊断精度.

摘要： 起重机由于其作业性质的特殊性,对于起重机的故障诊断一直都是一个重要的研究课题.针对起重机传感器易发生故障的特点,提出一种混沌蜂群优化的核极限学习机算法(CBC-KELM),该算法在核极限学习机算法的基础上,通过混沌蜂群算法对输出权值进行优化,进一步提升了KELM算法的识别精度,并通过实验对比进行了验证.

摘要： 刀具状态监测系统(Tool Condition Monitor,TCM)对提高加工生产效率、保证产品质量起着重要作用,而有效识别刀具磨损状态是其中一个重要环节.针对铣削加工,提出一种基于带通滤波与核极限学习机(Kernel Extreme Learning Machine,KEML)的刀具状态分类方法.利用带通滤波对传感器信号进行预处理,以提高信号信噪比;然后计算其时频域的统计特征并利用KEML进行分类识别刀具多磨损状态.实验研究表明,与KEML相比,在不同信号下该方法都具有更好训练精度与测试精度,并且实验结果更稳定.

摘要： 提取滚动轴承有效的故障特征参数是轴承故障诊断重要的组成部分,为改善核极限学习机(Kernel Extreme Learning Machine,KELM)高维数据特征选取的问题,提出一种结合稀疏自动编码器(Sparse Auto-Encoder,SAE)与KELM的方法.首先,提取振动信号的时域、频域和时频域特征构成高维特征向量;其次,采用多层SAE融合高维特征来消除特征的冗余性;最后,采用融合后的特征训练KELM,得到故障诊断模型.针对KELM对参数敏感的缺陷,采用萤火虫算法(IF)进行参数优化.为评估方法有效性,采用实验数据进行测试,并与传统KELM方法进行比较,结果显示该方法具有更好准确性和稳定性.

摘要： 航空发动机气路部件故障将引起发动机性能的衰退,使得航空发动机工作能力下降.本文通过对某型航空双轴涡扇发动机数据样本气路部件故障种类归类,建立基本的样本数据库,在MATLAB中采用BP神经网络/支持向量机(SVM)和极限学习机(ELM)诊断算法对样本数据库进行训练和诊断,结果表明,ELM具有更加准确和快速的诊断能力,对该算法进一步研究发现,加入核函数的极限学习机(KELM)诊断算法准确率更高、运行耗费时间更少,更适合作为航空发动机气路故障诊断算法.

摘要： 本发明提出了一种基于改进的核极限学习机和GAN的自适应学习方法，属于域自适应技术领域。其首先通过基于改进的核极限学习机预训练一个分类器C，然后根据传统极限学习机得到源域和目标域特征映射，结合GAN自适应学习以最小化源域映射和目标域特征映射距离，使得源分类模型C可以直接应用于目标映射，能对来自不同领域没有标注的数据进行分类，从而消除学习单独的目标分类器的需要，提高了分类器的复用性，有效增强模型对新环境的适应性，并且还解决了现有KELM中逆矩阵不存在的情况下无法求解β值的问题，同时因无需调整惩罚系数C，进一步减少了优化网络的时间。

摘要： 本发明公开了一种基于麻雀搜索算法优化核极限学习机的风电功率预测方法，具体包括如下步骤：步骤1，确定影响风电功率的主导影响因子；步骤2，使用Thompsontau‑四分位法对步骤1确定的主导影响因子进行处理；步骤3，构建麻雀搜索算法优化核极限学习机预测模型，通过该模型对风电功率进行预测。本发明解决了目前风电功率预测精度低，预测性能受自身参数影响较大的问题。

摘要： 本发明提出了一种基于小波核极限学习机的昆虫刺吸电位波形识别方法，步骤为：对采集的EPG信号进行预处理，利用改进阈值量化方法去除预处理后的EPG信号的噪声，得到去噪后的EPG波形；利用非线性共振模型对去噪后的EPG波形进入增强，得到增强EPG波形；对增强EPG波形进行特征提取，融合提取的特征组建成特征向量；将特征向量输入小波核极限学习机进行分类识别，得到波形识别结果。本发明的识别率较高，平均识别率为94.47%；能有效地解决EPG波形一直靠人工识别的问题，缩短EPG波形的分析时间，促进EPG的高效利用及智能化发展。

摘要： 本发明公开了一种级联空谱特征融合与核极限学习机的高光谱图像分类方法及系统，方法包括：对高光谱图像进行归一化预处理操作，并将数据集分为训练集和测试集；使用空‑谱注意力残差神经网络对输入的高光谱图像进行卷积来分别获取空间和光谱信息；利用训练好的网络对测试集的数据进行空‑谱特征提取，在对该神经网络进行训练的同时计算出核极限学习机隐藏层的输出权重矩阵，之后将提取的特征以及输出权重矩阵输入到核极限学习机中，从而达到对高光谱图像的分类目的。本发明充分利用高光谱图像光谱注意力信息和空间注意力信息，能够对高光谱遥感数据进行深度的特征提取从而快速精确的分类。

摘要： 本发明公开一种基于核极限学习机的滑翔再入轨迹实时重构方法，是一个高超声速助推滑翔飞行器在其再入过程中发生故障之后的在线轨迹重构方案。首先，建立了飞行器滑翔再入段气动面受损的故障模型并进行故障特征提取；然后，设计了基于核极限学习机算法的故障诊断方法，最后，基于故障诊断结果设计了飞行器在滑翔段发生故障情况下的容错制导和轨迹重构的方案。本发明提出的故障诊断方法可以克服对飞行器模型的依赖，以数据驱的方式对故障实现快速准确的诊断；提出的容错制导和轨迹重构策略能够根据故障诊断结果自适应调整控制指令和任务目标，实现在线故障主动容错。

摘要： 本发明公开了一种基于核极限学习机的10kV配网故障模式识别方法，所述方法包括如下步骤：(1)采集监测点的电压、电流波形数据；(2)故障发生后，提取故障点前一周波和故障后两周波的波形数据，并将上述数据经Hilbert变换后，得到相应的特征分量，构造特征向量；(3)上述特征向量输入KELM分类器识别配电网故障类型。相应地，本发明还提供了一种基于核极限学习机的10kV配网故障模式识别系统，本发明作为电力工作人员的决策依据，对于及时发现和排除安全隐患，避免线路发生更大危害具有重要意义；同时本发明提出的配电线路在线故障识别与诊断方案也可服务于正在大力发展的配电自动化系统，提高配电系统供电可靠性。

摘要： 本发明公开了基于多层优化核极限学习机的充电设施负荷预测方法及系统，包括：构建电动汽车充电负荷影响因素集合，并基于历史数据形成样本数据；对样本数据中电动汽车充电站故障、充电站检修所带来的异常历史数据进行清洗，获取充电站正常运行期间的历史数据集；归一化获取到的充电站正常运行期间的历史数据集；对归一化后的充电站正常运行期间的历史数据集进行特征提取，得到特征数据；构建多层优化核极限学习机负荷预测模型；通过提取到的特征数据对多层优化核极限学习机负荷预测模型进行训练；通过训练完成的多层优化核极限学习机负荷预测模型进行充电设施负荷预测。本发明具有实时性较好、准确度较高等优点。

摘要： 本发明是针对目前蒸汽供热网络仿真方法存在的模型构建准确性较差的问题，提供了一种基于核极限学习机误差修正的蒸汽仿真计算方法。首先确认采集管道参数及蒸汽参数，分为训练样本用于建立蒸汽水热力耦合仿真模型计算，利用真实管网数据对仿真结果校验得到的误差，作为遗传算法‑核极限学习机误差预测模型的输出样本进行训练。蒸汽热网模型运行时，调用训练好的误差预测模型进行误差预测，从而修正蒸汽管网水热力耦合仿真计算结果，提高蒸汽热网仿真模型的精度。本方法适用于蒸汽供热网络动态仿真，利用供热企业常年累计下的大量管网运行数据，能有针对性优化原始的蒸汽供热网络仿真模型，提高仿真结果精度。

摘要： 本发明公开了基于麻雀搜索算法优化混合核极限学习机的变压器故障诊断方法，包括步骤：1)收集变压器在六种状态下运行的数据，对数据进行预处理；2)搭建混合核极限学习机预测模型；3)确定SSA中种群规模、发现者比例、预警者比例和目标函数参数，并对种群进行初始化处理；4)选取argmin(TrainErrorRate)训练样本的错误率作为SSA的适应度函数；5)将种群状态信息传递给HKELM网络,获得不同的HKELM网络；6)训练HKELM网络，获得适应度值；7)比较适应度值，更新种群状态；8)判断更新过程是否满足要求；9)输出最优参数并带入HKELM网络中，用优化后的网络对变压器故障进行诊断。该方法在保证网络具有良好泛化性能的同时，还能极大地提高了前向神经网络的稳定性和学习速度。

摘要： 本发明提供了一种基于核极限学习机优化的情感倾向预测方法及设备。所述方法包括：步骤1至步骤8。本发明可以集合多目标场景进行多目标优化，将多目标优化问题通过目标约简形成一个双目标的优化问题，利用海鸥优化算法的寻优能力和较快的收敛速度并结合多目标优化策略，可以得到最优的核极限学习机参数组合，建立预测模型能提高情感倾向预测准确率。