基于PSO的ELM集成学习算法研究

极限学习机(Extreme Learning Machine,ELM)作为一种前向神经网络的学习算法,具有较快的学习速度和较高的学习精度。但是由于ELM的参数是随机设置的,导致ELM的泛化能力不高,容易产生过拟合现象。基于粒子群的极限学习机算法(PSO-ELM),提出了集成学习PSO-ELM算法,称为E-PSO-ELM,来提高模型的泛化能力。函数逼近和模式分类问题的仿真结果表明,所提出算法具有较好的泛化能力,特别是在函数逼近问题中,可以较为明显地提高模型的泛化能力和学习精度。     

基于FCM和SSA–ELM的超短期风功率预测

针对风电输出功率波动大、随机性强等特征引起风功率难以预测的问题,提出了基于模糊C均值聚类(Fuzzy C-Means,FCM)选取相似日和樽海鞘群算法优化极限学习机（SSA-ELM）的风电场超短期风功率预测模型。首先,采用FCM数据聚类方法,筛选出与预测日相关性较大的历史相似日,将其风速、温度、风向、气压等影响风功率的主要因素组成多输入样本集合;其次,通过训练集在训练过程中确定的网络参数,利用樽海鞘群算法在迭代过程中的充分探索和开发,优化极限学习机的输入权值矩阵及隐含层偏差值,建立樽海鞘群算法优化极限学习机的超短期风功率预测模型;最后,根据超短期风电并网的相关规定,针对河南省某风电场的实际数据,分别从基于相似日超短期预测、具有代表性的四季预测和滚动误差三方面进行仿真实验,与传统极限学习机（ELM）和BP神经网络模型进行对比分析,结果表明本文提出的模型收敛速度快,预测精度较高。证明了基于FCM和SSA-ELM的超短期风功率预测模型具有良好的追踪性和泛化性。     

基于SOA-ELM的手部动作识别方法实验研究

为提高人体手部动作识别率,利用搜寻者优化算法(SOA)的全局搜索最优解原理和极限学习机(ELM)处理非线性关系的能力,提出一种基于搜寻者优化算法优化极限学习机(SOA-ELM)的手部动作识别方法。首先,采集内翻、外翻、握拳、展拳等4种手部动作的表面肌电信号,提取4种表面肌电信号的积分肌电值和均方根值,将其作为特征值;然后,利用这些特征值对ELM进行训练,采用SOA搜寻ELM的最优输入层权值和隐含层节点阈值;最后,采用经SOA优化的ELM对4种手部动作进行识别。实验结果表明,SOA-ELM比粒子群优化极限学习机(PSO-ELM)能更有效地对4种手部动作进行识别。     

基于多层BiLSTM和改进粒子群算法的应用负载预测方法

为了解决常用时序预测算法精度不高和调参困难的问题,提出基于多层双向长短期记忆（BiLSTM）神经网络的负载预测方法,包括网络模型设计、自适应参数设置和改进粒子群算法优化等步骤. 将数据输入网络模型中进行训练,使用自适应算法进行自动调参;采用基于基准模型的多指标融合的模型评价方法,计算改进粒子群算法的适应度;使用改进粒子群算法优化模型的预测结果. 通过与多种典型时间序列预测算法的实验对比,方法的预测平均绝对百分比误差减小3.6%~7.2%,训练时间缩短10%以上,实验结果验证了方法在时间序列预测中具有更高的准确性和很强的适用性,为使用负载预测结果进行弹性扩缩容提供了重要的科学依据.     

基于PSO-WNN模型的超短期风速预测及其误差校正

小波神经网络(wavelet neural network,WNN)具有多分辨率局部时频特性,在风速预测中得到了广泛应用,但模型参数的优化选择是一难点,为此提出一种基于PSO(粒子群算法)-WNN的超短期风速预测模型。引入粒子位置变化量与二阶振荡环节改进粒子群算法,以平衡粒子群的全局搜索能力和局部改良能力;采用改进的粒子群算法优化WNN模型参数,进而对风速进行超短期预测;为进一步减小预测误差,分析风速预测的模型误差及其相关因素,并采用一阶线性回归法进行误差校正。算例表明,所提PSO-WNN预测模型及误差校正措施能够有效提高风速预测模型的泛化性能和预测精度。     

基于粒子群优化BP神经网络的医患关系风险预警模型

为了提高医患关系风险预警的准确度,提出一种基于粒子群优化反向传播(back propagation,BP)神经网络的医患关系风险预警模型.首先采用通过粒子群算法优化BP神经网络初始权值和阈值的方法来提高BP神经网络的预测准确度;通过对模型优化前后的对比分析,得出优化后模型预测误差更小的实验结果.仿真结果表明:此方法建立的医患关系风险预警模型收敛速度更快,预测精度更高.     

基于量子粒子群优化极限学习机的频谱感知算法

针对无线信道环境中低信噪比情况下主用户信号检测率较低的问题,提出了一种基于量子粒子群优化极限学习机(E L M)算法的认知无线电网络频谱感知方法.针对极限学习机算法的特点通过量子粒子群算法(Q P S O)优化极限学习机参数,并构建引入结构风险思想的QPSO-ELM模型,降低算法的经验风险提高模型的泛化能力,提高算法的频谱感知性能.仿真实验表明,与人工神经网络(A N N)、支持向量机(S V M)和极限学习机(E L M)三种机器学习算法,在信噪比为-15 dB时的频谱感知性能进行比较,分别提高了16％、28％、9％,仿真证明所提算法在低信噪比情况下具有较高的性能,可有效地实现对主用户信号的频谱感知.     

结合粒子群算法的小波神经网络交通流预测

针对短时交通流量具有复杂性、非线性等特点,提出基于粒子群算法的小波神经网络交叉路口短时交通流量预测方法,利用粒子群算法优化小波神经网络的模型参数,通过定义可变的加速因子,使粒子群算法有利收敛于全局最优解.将粒子群算法的全局优化搜索能力和小波良好的时频局部性质相结合,克服神经网络易陷入局部极小和引起振荡效应现象的缺点.实验仿真结果说明,该算法可以有效提高预测精度,减少预测误差,并且很好的反映了交通流的特点.     

一种改进的混合粒子群优化算法

针对粒子群优化算法容易陷入局部极值点、进化后期收敛速度慢、精度较差等缺点,把Hooke-Jeeves模式搜索方法作为粒子群优化算法的一个局部搜索算子,嵌入到粒子群算法中,Hooke-Jeeves的强局部搜索能力提高了粒子群优化算法的局部收敛速度和精度,从而提出了一种混合粒子群优化算法。通过基准函数和实例测试进行了验证,结果表明,提出的混合算法的收敛速度和精度均优于粒子群优化算法。     

混合粒子群径向基神经网络的短期负荷预测的应用

电力短期负荷预测的结果对电力系统的经济效益具有重要影响.为了克服基本粒子群(Particle Swarm Optimization,PSO)算法收敛精度不高、易陷入局部最优的缺点,提出一种将自然选择和变异结合的混合粒子群(Hybrid Particle Swarm Optimization,HPSO)算法,可以保持种群的多样性,有效地避免粒子早熟,并利用混合粒子群算法优化径向基神经网络的权值,最后将优化好的径向基神经网络进行广西某市的短期电力负荷预测.计算结果表明,该算法收敛速度快,并达到了提高预测精度和改善网络性能的要求.     

基于监测时序分解再重构的混凝土拱坝位移预测组合模型

针对混凝土拱坝变形机理的复杂性与测值的高度非线性,为提升模型的预测能力,提出了一种融合残差有效成分的混凝土拱坝变形预测组合模型。鉴于统计模型无法有效联系筑坝材料性能演变对大坝变形的影响,结合有限元方法计算水压分量进而构建混合模型;同时,考虑到混合模型残差序列的混沌与周期性特征,应用集合经验模式分解(EEMD)将其解构为具有不同时域特征的本征模态分量,进一步综合粒子群优化的极限学习机(PSO-ELM)和季节性差分自回归积分滑动平均模型(SARIMA)模型对所解构的高频与低频信号分别建模预测,据此构建了变形组合预测模型。工程实例分析表明,较常规监控模型,所建组合模型拟合与预测能力更优,有效验证了所建模型的合理性与可行性,可为大坝变形监测数据分析与预测提供新的技术支撑。     

基于改进粒子群优化LSSVM的污水COD软测量建模

针对在污水处理过程中水质参数(如出水化学需氧量(COD),pH值)变化过程的高度时变性、非线性和复杂性等特点,提出一种基于改进粒子群优化最小二乘支持向量机(IPSO-LSSVM)的软测量模型。该模型将小样本机器学习——最小二乘支持向量机(LSSVM)引入工业污水处理过程水质参数预测,网络训练过程中采用粒子群优化算法,使得该算法能够自适应获取最优超参数,形成IPSO-LSSVM算法,对工业污水处理出水COD参数进行回归预测。实验结果表明:与LSSVM和PSO-LSSVM模型相比,IPSO-LSSVM模型预测结果的均方根误差分别降低了40.9%和30.5%;相关系数分别提高了13.0%和6.6%。这表明IPSO-LSSVM模型在预测精度、收敛速度和抗干扰能力等方面明显优于LSSVM和PSO-LSSVM模型。     

小样本条件下航空装备费用预测

为了提高小样本条件下的航空装备费用预测的精度,将信息扩散方法和支持向量机相结合,提出了信息扩散支持向量机预测模型,对模型的拓扑结构、建模步骤进行了描述.为了采用粒子群优化算法为模型选择合适的参数,考虑到模型参数既有连续变量,又有离散变量,提出对粒子位置的各个分量采用不同的更新策略.将信息扩散支持向量机应用于军用飞机机载...     

基于超限学习机的WSNs链路质量评估方法

提出基于超限学习机的链路质量评估方法.选择非对称性指标、信噪比变异系数、均值信噪比为链路质量参数,以包接收率为链路质量评价指标,划分链路质量等级;采用粒子群算法优化超限学习机的输入层权重和偏置参数,构建链路质量评估模型.不同场景下的实验结果表明,与支持向量分类机评估方法相比,所提方法具有更高的评估准确率.     

基于PSO-RNN的光伏发电功率预测研究

针对光伏发电功率预测对电力系统的安全稳定和经济运行问题,本文提出了基于粒子群算法优化脊波神经网络的光伏功率预测模型。采用脊波函数作为隐含层激励函数的神经网络,即脊波神经网络,同时采用粒子群算法优化脊波神经网络的权值,并以实际光伏发电站的历史光伏发电数据和气象数据作为仿真算例,对预测模型进行仿真和测试。仿真结果表明,与BP神经网络预测模型相比,基于粒子群算法优化脊波神经网络预测模型的日平均绝对误差和日最大绝对误差均有所降低,证明粒子群算法优化脊波神经网络的预测模型具有较高预测精度,不仅加快了脊波神经网络收敛速度,而且避免了陷入局部最优解,具有一定的实用性及可行性。该研究为光伏发电功率预测提供了理论参考。     

基于GAELM神经网络的日前电价预测

针对日前电价预测问题,利用极限学习机建立预测模型.鉴于极限学习机在训练前随机产生输入权重和隐藏节点偏置,可能导致预测结果不稳定以及预测精度太低的问题,提出了一种基于遗传算法(GA)和极限学习机(ELM)的预测方法.首先利用遗传算法对极限学习机随机生成的参数进行寻优,然后根据优化后的参数建立基于GA-ELM的电价预测模型.最后以此模型对PJM电力市场的日前电价进行预测.结果表明,相比ELM和BP神经网络,GA-ELM具有更高的预测精度.     

基于APSO-WLSSVR的水质预测模型

为解决传统预测方法和标准最小二乘支持向量回归机(least squares support vector regression, LSSVR)在水质预测中存在预测精度低、鲁棒性差等问题,提出了自适应粒子群优化加权最小二乘支持向量回归机(adaptive particle swarm optimization weighted least squares support vector regression, APSO-WLSSVR)的水质预测模型。根据样本对模型重要性不同为各样本赋予不同权重,建立了加权最小二乘支持向量回归机(weighted least squares support vector regression, WLSSVR),实现对样本数据“重近轻远” 的优化选择,避免标准LSSVR算法因没有考虑样本重要性差异致使预测精度低的问题;采用自适应粒子群优化算法对模型参数组合进行优化选择,克服了标准LSSVR算法因试凑法获取参数的盲目性和人为因素的影响。为验证该模型的性能,对江苏省宜兴市集约化河蟹养殖水质进行预测,并与其他预测方法对比分析,结果表明该模型预测精度明显提高,还具有较好的鲁棒性和泛化能力,能够满足集约化水产养殖水质管理的实际需要。     

基于支持向量机和误差修正算法的风电短期功率预测

基于风电功率预测单一算法带来的预测精度较低问题,提出一种新型的基于粒子群优化支持向量机结合误差修正算法的短期风电功率预测组合算法。该方法首先对原始数据进行分析和清洗;然后通过粒子群算法对支持向量机参数进行寻优,对风电功率进行一次预测,通过经验模态算法对一次预测进行滤波,达到降噪效果,同时得到一次预测误差;最后,利用误差修正算法对一次预测误差进行修正,得到最终的预测值。仿真和测试结果表明,相较于传统的单一算法,该组合算法能更好地提高预测精度。     

优化SVM在锅炉负荷预测中的应用

提出智能优化支持向量机算法来提高模型的预测能力和泛化能力。该算法针对支持向量机噪声敏感问题采用小波方法对数据集去噪;利用核主成分分析方法提取数据特征;采用量子粒子群算法优化支持向量机超参数。将该优化算法应用于锅炉负荷短期预测,实验结果表明,该优化算法预测精度较高,收敛速度较快,泛化性能优于其他预测方法,且工程实现容易。