基于GA-ELM模型的锂电池SOH预测

针对锂电池健康状态(State of Healthy,SOH)预测精度低的特点,利用遗传算法改进的极限学习机(Extreme Learning Machine,ELM)算法可提高锂电池SOH的预测精度。ELM输入层到隐含层的权值及隐含层单元的阈值随机产生,ELM算法只需设置隐含层单元的数目及隐含层激活函数类型。相比传统BP算法,ELM算法具有学习速率快、泛化性能好等优点。但由于ELM网络输入层到隐含层的权值和隐含层阈值产生的随机性,ELM算法的稳定性较差。ELM算法中引入遗传算法(GA)优化输入层到隐含层的权值和隐含层单元的阈值,该方法可增强ELM算法的稳定性。实验对比了GA-ELM算法与ELM算法、BP算法、RBF算法及SVR算法对锂电池SOH的预测,结果显示GA-ELM算法相比其他算法在预测精度和算法稳定性上均有提升。     

基于有序编码的核极限学习顺序回归模型

顺序回归是机器学习领域中介于分类和回归之间的有监督问题。在实际中,许多带有序关系标签的问题都可以被建模成顺序回归问题,因此顺序回归受到众多学者的关注。基于极限学习机(ELM)的算法能有效避免因迭代过程陷入的局部最优解,减少训练时间,但基于极限学习机的算法在顺序回归问题上的研究较少。该文将核极限学习机与纠错输出编码相结合,提出了一种基于有序编码的核极限学习顺序回归模型。该模型有效解决了如何在顺序回归中取得良好的特征映射以及如何避免传统极限学习机中隐层节点个数依赖于人工设置的问题。为验证提出模型的有效性,该文在多个顺序回归数据集上进行了测试,测试结果表明,相比于传统ELM模型,该文提出的模型在准确率上平均提升了10.8%,在数据集上预测表现最优,而且获得了最短的训练时间,从而验证了模型的有效性。     

用电大数据环境下的电力负荷预测研究

针对在海量用电数据环境下,如何提高电力负荷预测精度的问题,文中提出了采用人工鱼群优化的极限学习机方法对电力负荷进行预测。对传统的极限学习机和人工鱼群算法的数学模型进行了分析,文中提出采用人工鱼群算法优化极限学习机的初始权值和阈值,将人工鱼群全局寻优之后获得最优个体作为极限学习机的输入权值和隐层阈值,从而提高极限学习机的网络性能。通过仿真实验,将改进的极限学习机与传统的极限学习机进行结果对比分析,发现改进的极限学习机误差更小,验证了文中所提方法在电力负荷预测上的有效性和可行性。     

遗传算法优化BP网络对掺假蜂蜜快速识别研究

为了更好地实现对掺假蜂蜜进行检测和识别,提出一种遗传算法优化反向传播(BP)神经网络和激光诱导荧光(LIF)技术相结合的新方法.实验采用蜂蜜、果葡糖浆以及二者以不同比例混合获取的实验样本,每类样本数为150个,共600个实验样本.通过激光诱导荧光技术获取实验数据.将各类样本的70％用于算法模型训练、30％用于模型预测评估.通过PCA降维技术进行特征提取,分别用极限学习机(ELM)算法、BP神经网络算法、GA_BP三种算法进行实验.实验结果表明,相比于极限学习机的82.78％、BP神经网络算法的95.89％的准确率,GA_BP算法对预测样本的预测准确率最高,可达100％.通过将GA_BP与蚁群算法(ACO)优化BP网路、粒子群算法(PSO)优化BP网络作对比,发现GA_BP算法具有运行时间较短、鲁棒性较好的特点.     

捕鱼算法优化极限学习机的运动员成绩预测

针对当前运动员成绩预测精度低的难题,提出捕鱼算法优化极限学习机的运动员成绩预测模型。收集运动员成绩的时间序列,进行聚类分析建立学习样本,采用极限学习机对学习样本进行训练,并采用捕鱼算法对极限学习进行优化,建立运动员成绩预测模型,最后采用具体数据对运动员成绩预测性能进行测试。测试结果表明,该模型可以准确拟合运动员成绩的变化特点,获得了较高精度的运动员成绩预测结果,而且预测结果要显著优于其他模型,具有较高的实际应用价值。     

二元裂解算子交替方向乘子法的核极限学习机

凸优化形式的核极限学习机(KELM)具有较高的分类准确率,但用迭代法训练凸优化核极限学习机要较传统核极限学习机的解线性方程法花费更长时间.针对此问题,该文提出一种2元裂解算子交替方向乘子法(BSADMM-KELM)来提高凸优化核极限学习机的训练速度.首先引入2元裂解算子,将求核极限学习机最优解的过程分裂为两个中间算子的优化过程,再通过中间算子的迭代计算而得到原问题的最优解.在22个UCI数据集上所提算法的训练时间较有效集法平均快29倍,较内点法平均快4倍,分类精度亦优于传统的核极限学习机;在大规模数据集上该文算法的训练时间优于传统核极限学习机.     

二元裂解算子交替方向乘子法的核极限学习机

凸优化形式的核极限学习机(KELM)具有较高的分类准确率,但用迭代法训练凸优化核极限学习机要较传统核极限学习机的解线性方程法花费更长时间。针对此问题,该文提出一种2元裂解算子交替方向乘子法(BSADMM-KELM)来提高凸优化核极限学习机的训练速度。首先引入2元裂解算子,将求核极限学习机最优解的过程分裂为两个中间算子的优化过程,再通过中间算子的迭代计算而得到原问题的最优解。在22个UCI数据集上所提算法的训练时间较有效集法平均快29倍,较内点法平均快4倍,分类精度亦优于传统的核极限学习机;在大规模数据集上该文算法的训练时间优于传统核极限学习机。     

基于分层极限学习机的锂离子电池剩余使用寿命预测

提前对锂离子电池的剩余使用寿命（RUL）进行预测可以保证电池及其应用设备安全稳定地运行。针对目前预测方法的结果滞后且缺乏实际意义等问题,为了利用电池前期的少量循环数据实现RUL的提前预测,本文基于原始极限学习机和自动编码器构建了分层极限学习机（H-ELM）预测模型。然后选取丰田研究所（TRI）的实验数据集对H-ELM完成了仿真实验验证。实验结果表明,本文提出的H-ELM预测模型可以在电池使用初期预测出RUL,同时预测结果的平均绝对百分比误差（MAPE）仅有10.14%。     

基于DEPSO-RVM的B787电池剩余寿命预测

锂离子电池已经被应用于B787客机,为进一步提高B787锂离子电池的可靠性,针对传统基于相关向量机的电池剩余使用寿命预测方法的不足,提出一种把相关向量机、差分进化算法和粒子群优化算法融合的的方法。通过差分进化算法和粒子群优化算法对相关向量机的参数进行优化,增强其对电池历史监测数据退化趋势的预测能力。应用卡尔曼滤波器对融合算法实施优化,将优化后的预测结果作为在线样本添加到训练集中,对提出的模型重新训练,以此来动态调整系数矩阵和相关向量以执行下一次迭代预测。基于B787锂离子电池测量数据,对所提方法的有效性和鲁棒性进行了验证。     

基于SSA ELM和自适应差分进化算法的拉曼放大器设计北大核心CSCD

提出了一种将樽海鞘群算法优化极限学习机与自适应差分进化算法相结合的方法,并利用该方法优化多泵浦拉曼光纤放大器的参数配置。采用极限学习机构建泵浦参数和拉曼增益之间的非线性映射,并利用樽海鞘群优化算法对极限学习机参数进行优化获得最佳模型。对比分析了上述模型与BP神经网络和传统的极限学习机模型在评价指标方面的差异,结果表明本文所提出的模型预测性能较好。为了提高增益平坦性,利用自适应差分进化算法优化泵浦参数,得到最佳的参数配置。仿真结果表明,利用该方法设计出的拉曼放大器达到了预期效果,其目标增益与预测增益的最大误差不超过05dB。该方法为今后拉曼光纤放大器的设计提供了一种新的思路方法。     

基于改进极限学习机的数据智能化分析算法设计

针对医疗财务数据的风险,文中提出了一种基于灰狼优化算法改进极限学习机的数据分析方法,实现了对数据风险的精准预测。该算法基于极限学习对数据进行深度挖掘和分析,并在此基础上进行改进,通过灰狼优化算法对极限学习机的权重参数进行优化。通过在真实数据集上与极限学习机进行实验对比,本算法的决定系数R2为0.96,优于极限学习机的0.81,验证了所提算法的有效性。同时,为了进一步验证该文算法的优越性,在实验仿真过程中还与多种机器学习算法进行对比,结果表明文中算法的预测效果更为优越,相比于其中表现最佳的SVM也有了0.06的提升。     

改进鲸鱼算法优化核极限学习机在水质光谱分析中的应用

为提高水质光谱分析模型的学习速度与预测精度,采用核极限学习机对水质光谱进行建模,并提出一种具有动态惯性权重的改进鲸鱼优化算法对模型进行参数优化。由于极限学习机的输入权值矩阵和偏置是随机生成的,故引入核方法以减小其输出权值矩阵的波动;将鲸鱼优化算法中的惯性权重在非线性递减的基础上引入随机因子,通过动态调整惯性权重以平衡算法的全局搜索能力与局部开发能力。与传统优化模型进行了对比实验,实验结果表明:基于该方法所建模型具有更高的预测精度,而在相同的学习迭代次数下,核极限学习机的运行时间相对于传统算法约下降50%,且改进鲸鱼优化算法能够以更快的收敛速度使模型达到全局最优。     

基于混合卷积自编码极限学习机的RGB-D物体识别

有效学习丰富的表征信息在RGB-D目标识别任务中至关重要,是实现高泛化性能的关键。针对卷积神经网络训练时间长的问题,提出了一种混合卷积自编码极限学习机（HCAE-ELM）结构,包括卷积神经网络（CNN）和自编码极限学习机（AE-ELM）,该结构合并了CNN的有效性和AE-ELM快速性的优点。它使用卷积层和池化层分别从RGB和深度图来有效提取低阶特征,然后在共享层合并两种模型特征,输入到自编码极限学习机中以得到高层次的特征,最终的特征使用极限学习机（ELM）进行分类,以获得更好的快速泛化能力。文中在标准的RGB-D数据集上进行了评估测试,其实验结果表明,相比较深度学习和其他的ELM方法,文中的混合卷积自编码极限学习机模型取得了良好的测试准确率,并且有效地缩减了训练时间。     

基于VMD和DAIPSO-GPR解决容量再生现象的锂离子电池寿命预测研究

锂离子电池应用时表现出的时变、动态、非线性等特征,以及容量再生现象,导致传统模型对锂离子电池剩余使用寿命(RUL)预测的准确性低,该文将变分模态分解(VMD)和高斯过程回归(GPR)以及动态自适应免疫粒子群(DAIPSO)结合,建立RUL预测模型。首先利用等压降放电时间分析法,提取健康因子,利用VMD对其进行分解处理,挖掘数据内在信息,降低数据复杂度,并针对不同分量,利用不同协方差函数建立GPR预测模型,有效捕获了数据的长期下降趋势和短期再生波动。利用DAIPSO算法优化GPR模型,实现核函数超参数的优化,建立了更准确的退化关系模型,最终实现剩余使用寿命的准确预测,以及不确定性表征。最后利用NASA电池数据进行验证,离线预测结果表明所提方法具有较高预测精度和泛化适应能力。     

基于电－热－老化耦合模型的锂离子电池优化充电策略

快速安全的充电协议对于增强电池的实用性至关重要,文中提出了一种均衡考虑锂离子电池老化损耗和充电时间的多级恒流充电方法。首先,从锂离子电池自身的物理及化学反应机理出发,建立了电－热－老化多参数耦合模型。其次,基于电池模型参数构造了以老化损耗和充电时间为目标的优化方程。最后,采用粒子群优化算法计算确定各个恒流段的最佳充电电流,在相同条件下通过与恒流恒压充电方法的实验比较,表明该多级恒流充电方法在不牺牲电池循环使用寿命的情况下,充电时间缩短了25.14％,平均温升降低了0.4902℃。     

基于蒙特卡罗数据集均衡与鲁棒性增量极限学习机的图像自动标注

针对传统图像标注模型存在着训练时间长、对低频词汇敏感等问题,该文提出了基于蒙特卡罗数据集均衡和鲁棒性增量极限学习机的图像自动标注模型.该模型首先对公共图像库的训练集数据进行图像自动分割,选择分割后相应的种子标注词,并通过提出的基于综合距离的图像特征匹配算法进行自动匹配以形成不同类别的训练集.针对公共数据库中不同标注词的数据规模相差较大,提出了蒙特卡罗数据集均衡算法使得各个标注词间的数据规模大体一致.然后针对单一特征描述存在的不足,提出了多尺度特征融合算法对不同标注词图像进行有效的特征提取.最后针对传统极限学习机存在的隐层节点随机性和输入向量权重一致性的问题,提出了鲁棒性增量极限学习,提高了判别模型的准确性.通过在公共数据集上的实验结果表明：该模型可以在很短时间内实现图像的自动标注,对低频词汇具有较强的鲁棒性,并且在平均召回率、平均准确率、综合值等多项指标上均高于现流行的大多数图像自动标注模型.     

一种基于正则优化的批次继承极限学习机算法

极限学习机(ELM)作为一种新型神经网络,具有极快的训练速度和良好的泛化性能。针对极限学习机在处理高维数据时计算复杂度高,内存需求巨大的问题,该文提出一种批次继承极限学习机(B-ELM)算法。首先将数据集均分为不同批次,采用自动编码器网络对各批次数据进行降维处理;其次引入继承因子,建立相邻批次之间的关系,同时结合正则化框架构建拉格朗日优化函数,实现批次极限学习机数学建模;最后利用MNIST, NORB和CIFAR-10数据集进行测试实验。实验结果表明,所提算法具有较高的分类精度,并且有效降低了计算复杂度和内存消耗。     

动力型锂电池SOC与SOH协同估计

锂电池及其应用近年来逐渐成为研究热点。以提高电池管理系统(BMS)对电池荷电状态(SOC)和健康状态(SOH)的估算精确度为目标,在建立二阶Thevenin等效电路模型基础上提出一种能在线协同估算电池荷电状态和健康状态的改进扩展卡尔曼滤波算法。通过分阶段脉冲放电实验,并利用最小二乘法求得模型参数。在动态应力测试工况(DST)下借助Matlab对比分析了改进扩展卡尔曼算法在SOC和SOH估计精确度、错误初值时算法收敛性、算法复杂度等方面的性能。实验表明,利用该算法可以精确估计出各采样点处的SOC和SOH,误差低于1%;且在初值不准确情况下,运行算法可快速收敛至真值附近,算法估算结果的准确性与模型参数的微调无关,鲁棒性较好。     

基于PSO-SWELM的应变传感器在线温度补偿方法

针对光纤布拉格光栅(Fiber Bragg Grating,FBG)应变传感器受环境温度影响而造成的波长漂移问题,提出粒子群优化(Particle Swarm Optimization,PSO)结合滑动窗口极限学习机(Sliding Window Extreme Learning Machine,SWELM)的在线预测算法对其进行温度补偿。利用PSO算法优化SWELM网络滑动窗口和隐含层神经元数目,提升了模型的预测精度,模型预测均方根误差最小能达到0.06pm。PSO-SWELM实现了对应变传感器数据的在线更新及波长漂移预测,对实时测量数据和预测数据进行差分运算完成温度补偿。与SWELM的对比分析结果表明,PSO-SWELM算法的预测精度平均提升了11.04%,并具有良好的温度补偿效果。     

基于SVR算法的VRLA蓄电池专家诊断模型的实现

提出了一种多维输入的VRLA蓄电池专家诊断模型,该模型主要基于优化的支持向量机非线性回归（SVR）算法,同时应用蓄电池相关物理参数对目标参数进行补偿修正,预测蓄电池的健康状态（SOH）。文中所建立的模型结合相应的硬件设备,可实时地检测到蓄电池的特征数据,并且只需短时间放电,即可预估出蓄电池的健康状态。