ELM神经网络在发动机故障诊断系统中的应用研究

本文利用基于ELM学习算法的前向人工神经网络设计电控发动机故障诊断系统,利用OBDII读卡器读取发动机传感器数值作为神经网络的输入,发动机的故障部位作为神经网络的输出,以此来对电控发动机进行实时诊断,将实验诊断结一果与实际检测结果进行比较,证明此方法是快速高效可行的。     

二分法的极端学习机

基于传统的神经网络理论,并结合原始的ELM算法,提出一种新的确定网络结构的方法,即二分法的极端学习机.该算法无需人为调整任何参数,整个训练过程都是全自动的,这为今后寻求更好地确定网络结构的方法提供了一个好的思路.数值实验结果表明,该方法不仅收敛速度快且能获得较紧凑的网络结构,同时还具有较好的泛化能力.     

基于近红外光谱和BYOL对比学习的烟叶部位识别方法

【背景和目的】烟叶部位识别对卷烟制品的配方设计与质量监控具有重要意义。利用近红外光谱（NIR）分析可以实现烟叶部位的快速、无损在线识别。针对烟叶光谱特征提取困难问题，利用具有强特征提取的BYOL模型，提出NIR-BYOL烟叶部位识别方法。【方法】通过微分光谱融合实现数据增强，利用卷积自编码器和多层感知器实现BYOL的在线网络和目标网络，以在线网络和目标网络输出的均方误差为损失函数，通过损失最小优化的编码值，提取的特征经SVM分类识别烟叶部位信息。实验比较分析了不同数据增强方式、卷积核大小和激活函数对模型的影响。【结果】一阶微分融合和二阶微分融合的组合是最佳数据增强方法，对比学习模型最佳参数为卷积核11*1，激活函数为ELU。模型对部位的平均识别率达到91.79%。相比SVM、PCA+SVM和PLS-DA方法，NIR-BYOL模型的准确率有显著提升，分别提升了13.12%、15.79%、16.79%。【结论】近红外光谱分析技术结合对比学习模型可以有效分类识别烟叶的部位信息。     

基于数学函数算法的皮革制品运输优化研究

文章利用数学函数算法对皮革制品运输配送过程进行模型描述；并基于增强学习算法基础，采用奖励函数和状态转移函数对皮革制品运输过程进行智能体强化学习，即通过不断迭代模型优化使配送路径在最短时间内成本降到最低，旨在为皮革企业制品运输优化模式提供思路。     

改进核函数的支持向量机智能诊断方法研究

针对目前支持向量机(SVM)智能诊断方法核函数选择困难以及参数选择具有随意性的问题,提出了基于模拟退火算法改进核函数的SVM智能诊断方法,重新设计了支持向量机的核函数以及参数。多项式核函数是局部核函数具有较强的拟合能力,而径向基核函数是全局核函数具有较强的外推能力,根据Mercer理论,建立一种由多项式核函数与径向基核函数组合而成的复合核函数,并利用模拟退火算法全局寻优的优点,对支持向量机的参数做最优选择;改进后的SVM运用于轴承故障诊断。研究结果表明:相对于传统SVM法,该方法具有较好的学习效率及较高的诊断准确率;该方法运用于轴承故障诊断领域极大地提高了故障诊断的准确率以及诊断效率。该研究为基于模拟退火算法改进核函数的SVM智能诊断方法应用于机械设备故障诊断提供了相应的理论和实践依据。     

中职语文混合式学习中学习者在线学习行为序列分析

文章以滞后序列分析法,对混合式学习环境中采集的中职学生语文在线学习行为数据进行分析,寻找出具有显著性的学习行为序列,绘制行为转换图,将行为数据可视化,挖掘出学习者参与在线学习的行为模式,有效地指导后续的课程设计与教学实施。     

一种自适应协调控制器

讨论了非线性系统的协调控制问题，提出了用传统ＰＩＤ控制器和神经控制器结合的方法实现未知非线性系统的自适应协调控制，还给出了神经控制器在线修正的再励学习算法．通过仿真实例，说明了多模式控制器协调模式的控制有效性及其在线控制优势．     

基于近红外光谱和SSA-ELM的苹果糖度预测

目的：剔除近红外光谱存在大量冗余信息以及提高苹果糖度预测模型的精度,建立快速无损检测苹果糖度的方法。方法：提出一种基于小波包变换的特征波长筛选和樽海鞘算法改进极限学习机的苹果糖度预测模型。针对苹果光谱数据具有维度高而复杂的特点,对光谱数据进行降维处理,分别对比全波段和偏最小二乘法、连续投影法和小波包变换等筛选特征波长的结果,确定苹果光谱特征波长筛选方法;针对极限学习机（extreme learning machine,ELM）,模型性能受其初始权值和隐含层偏置选择的影响,运用樽海鞘群算法进行ELM模型的初始权值和隐含层偏置优化,提出一种基于樽海鞘算法改进极限学习机的苹果糖度预测模型。结果：与遗传算法（genetic algorithm,GA）改进ELM（GA-ELM）、粒子群算法改进ELM（PSO-ELM）和ELM相比,基于SSA-ELM的苹果糖度预测模型的预测精度最高。结论：通过智能算法优化ELM模型的参数可以有效提高ELM模型的苹果糖度预测精度。     

变径变纬密管状织物的控制模型及其算法实现

为满足管状织物变径变纬密的织造要求和自动化生产需要,建立了其控制模型,分析并实现了控制算法。首先针对织物的变径特性,设计了一种可无级变径机构,并据此推导出了旋转角度与时间的变化关系。然后分析了纬密变化方式,建立了牵引速度与时间的关系函数。基于广义回归神经网络来逼近织物的非线性形状曲线,采用Matlab进行仿真分析,验证了模型和算法的可行性,通过编程实现了控制参数的自动计算和输出。该控制模型和算法具有运算快、结构简单、精度高等优点,能很好满足碳纤维复合材料预成型体织造等领域的要求。     

改进的支持向量机算法在人脸识别上的应用

支持向量机算法作为一种新的机器学习方法,在处理小样本分类问题上具有明显优势,但核函数和参数的选取直接影响支持向量机算法的性能.针对该问题,文中通过组合全局核函数和局部核函数的混合核函数方法,建立了基于粒子群算法的混合核支持向量机算法,并将其用于ORL人脸数据库的人脸识别测试.结果表明,该改进算法较标准的支持向量机算法具有更高的识别率.     

高光谱技术结合CARS-ELM的油桃品种判别研究

基于高光谱技术研究竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)结合极限学习机(Extreme learning machine,ELM)对油桃品种判别的可行性。本文利用高光谱成像技术选取油桃420~1000 nm的高光谱图像数据,经卷积平滑法(Savitzky-Golay smoothing,SG)、附加散射校正算法(Multiplicative Scatter correction,MSC)、基线校正(Baseline)、变量标准化算法(Standard Normalized Varite,SNV)等预处理方法处理原始数据,通过PLSR模型确定Baseline为最佳预处理方法。采用主成分分析法(Principal Component Analysis,PCA)、连续投影算法(Successive Projections Algorithm,SPA)与竞争性自适应重加权算法等提取的特征波长,建立偏最小二乘(Partial Least Square,PLS)和极限学习机鉴别模型进行比较研究。结果显示:基于CARS算法提取的特征波长构建的CARS-ELM和CARS-PLS模型性能最优。CARS-PLS预测集相关系数(RP)和均方根误差(RMSEP)分别为0.942和0.205;CARS-ELM的RP和RMSEP分别为0.931和0.119。说明CARS是一种有效的提取特征波长的方法,且ELM与PLS对模型的预测能力相当,可见利用高光谱图像技术结合CARS-ELM对油桃的品种判别是可行的。     

近红外结合Si-ELM检测食醋品质指标

为了提高近红外光谱技术检测食醋中可溶性无盐固形物含量(SSFSC)的精度和稳定性,提出采用联合区间偏最小二乘(Si-PLS)筛选光谱特征区间,再利用极限学习机(ELM)算法建立非线性回归模型,并对该方法的优越性进行系统比较;试验通过交互验证优化模型相关参数,以预测时的相关系数(Rp)和预测均方根误差(RMSEP)作为模型的评价指标。结果表明,Si-PLS结合ELM算法(Si-ELM)所建模型最佳,预测结果:Rp=0.973 9,RMSEP=1.232g/100mL。说明利用近红外光谱技术可以快速准确检测食醋中的SSF-SC,Si-ELM的应用可以适当提高该预测模型的精度。     

玉米籽粒霉变等级高光谱图像检测方法研究

为了快速、无损检测出储藏玉米籽粒不同霉变状况,提升玉米收储环节质检效率,尝试利用高光谱成像技术结合机器学习算法构建玉米籽粒霉变等级分类模型。采集400-1000nm波段范围内玉米籽粒高光谱图像,以测定的真菌孢子数为依据,将籽粒霉变状态划分为健康、轻度霉变、中度霉变和重度霉变4个等级,采用随机蛙跳(RF)算法优选出7个光谱特征变量,针对特征波段图像,利用Tamura算法共提取出21个纹理特征变量,基于颜色矩提取出21个颜色特征变量。进一步结合支持向量机(SVM)、极限学习机(ELM)和偏最小二乘回归(PLSR)三种算法分别建立基于光谱、图像和图谱特征融合的玉米籽粒霉变等级分类模型。经分析比较,融合光谱和图像特征并结合ELM算法建立的分类模型用于玉米籽粒霉变等级识别效果最优,训练集和测试集分类准确率(Acc)分别为94.21%和93.86%,并将玉米籽粒霉变等级进行可视化表达。研究结果有望为玉米霉变籽粒高光谱现场快速检测设备研发提供技术支持。     

基于NIR技术和ELM的烤烟烟叶自动分级

为解决初烤烟叶收购中人工分级主观因素影响较大的问题,提出了一种基于近红外（NIR）光谱技术结合极限学习机（ELM）算法自动鉴别烟叶等级的方法。文章首次提出基于品质相似、价格接近原则的烟叶收购分组方法,通过交互检验优化ELM分组、分级模型的隐节点数,并与K最近邻法（KNN）、支持向量机（SVM）和随机森林（RF）等多分类算法进行了比较。结果表明:ELM分类模型参数自动优化、训练时间短、稳定性和预测能力较好,2014年（数据集A）、2015年（数据集B）烟叶收购国标样本上、中、下等烟外部预测分组正确率分别为95.77%和94.23%,数据集A和B的上、中、下等烟各组样本外部预测分级正确率分别为85.71%、86.67%、100%和100%、92.86%、92.86%。因此,采用NIR技术结合ELM能准确鉴别初烤烟叶等级,可为烤烟烟叶收购质量等级评价提供一种新技术。      

Prediction of black tea fermentation quality indices using NIRS and nonlinear tools

Catechin content, the ratio of tea polyphenols and free amino acids (TP/FAA), as well as the ratio of theaflavins and thearubigins (TFs/TRs) are important biochemical indicators to evaluate fermentation quality. To achieve rapid determination of such biochemical indicators, synergy interval partial least square and extreme learning machine combined with an adaptive boosting algorithm, Si-ELM-AdaBoost algorithm, were used to establish quantitative analysis models between near infrared spectroscopy (NIRS) and catechin content and between TFs/TRs and TP/FAA, respectively. The results showed that prediction performance of the Si-ELM-AdaBoost mixed algorithm is superior than that of other models. The prediction results with root-mean-square error of prediction ranged from 0.006 to 0.563, the ratio performance deviation values exceeded 2.5, and predictive correlation coefficient values exceeded 0.9 in the prediction model of each biochemical indicator. NIRS combined with Si-ELM-AdaBoost mixed algorithm could be utilized for online monitoring of black tea fermentation. Meanwhile, the AdaBoost algorithm effectively improved the accuracy of the ELM model and could better approach the nonlinear continuous function.     

基于图像处理的烟叶烘烤阶段判别模型优选

[背景和目的]烟叶烘烤阶段的自动判别是建立智能化烟叶烘烤系统的重要环节.为实现烘烤阶段的精确识别和操控,提升烟叶烘烤的精准度.[方法]提取烘烤过程中整夹烟叶图像的11种颜色特征和8种纹理特征,分别对颜色特征和纹理特征进行变量聚类分析,以10为距离,将提取的颜色特征和纹理特征各分为2类.利用相关性分析筛选出每类特征中与烘...     

基于电子舌及一维深度CNN-ELM模型的普洱茶贮藏年限快速检测

采用伏安电子舌对不同贮藏年限的普洱茶进行快速检测。将深度学习技术引入到电子舌的模式识别中,提出一种基于一维卷积神经网络(1-D CNN)与极限学习机(ELM)组合的模式识别模型(1-D CNN-ELM)。采用该模型结合伏安电子舌对5种不同贮藏年限的普洱茶进行分类鉴别,结果表明,与传统基于离散小波变换(DWT)结合支持向量机(SVM)或极限学习机(ELM)的模型相比,1-D CNN-ELM对普洱茶贮藏年限的分类效果更优,其测试集准确率、精确率、召回率和F1-Score分别达到98.32%,98.0%,98.0%,0.98。试验表明深度学习方法适用于对电子舌信号进行模式识别处理,且具有较高的分类准确性和泛化能力。     

基于支持向量回归的核桃在线称重系统

为了对核桃重量进行在线检测,采用加速度传感器信号对称重传感器信号动态补偿校准和支持向量回归(SRV)预测方法,设计多传感器信息融合的核桃重量在线测试系统。对400枚核桃分别在速度为0.02,0.03,0.05 m/s条件下进行数据采集,并对采集的数据进行训练和校验,分析得到最优的核桃重量预测模型为基于线性核函数的SVR模型,较佳的测试速度为0.03 m/s。利用200枚核桃样本在0.03m/s的条件下进行实验验证,结果显示系统预测的核桃重量与核桃实际重量线性拟合的r~2为0.85,平均绝对误差为1.67g,表明该系统可以较为准确地实现核桃在线称重。