Selective ensemble extreme learning machine modeling of effluent quality in wastewater treatment plants

Real-time and reliable measurements of the effluent quality are essential to improve operating efficiency and reduce energy consumption for the wastewater treatment process.Due to the low accuracy and unstable performance of the traditional effluent quality measurements,we propose a selective ensemble extreme learning machine modeling method to enhance the effluent quality predictions.Extreme learning machine algorithm is inserted into a selective ensemble frame as the component model since it runs much faster and provides better generalization performance than other popular learning algorithms.Ensemble extreme learning machine models overcome variations in different trials of simulations for single model.Selective ensemble based on genetic algorithm is used to further exclude some bad components from all the available ensembles in order to reduce the computation complexity and improve the generalization performance.The proposed method is verified with the data from an industrial wastewater treatment plant,located in Shenyang,China.Experimental results show that the proposed method has relatively stronger generalization and higher accuracy than partial least square,neural network partial least square,single extreme learning machine and ensemble extreme learning machine model.     

选择性集成算法分类与比较

选择性集成是当前机器学习领域的研究热点之一。由于选择性集成属于NP"难"问题,人们多利用启发式方法将选择性集成转化为其他问题来求得近似最优解,因为各种算法的出发点和描述角度各不相同,现有的大量选择性集成算法显得繁杂而没有规律。为便于研究人员迅速了解和应用本领域的最新进展,本文根据选择过程中核心策略的特征将选择性集成算法分为四类,即迭代优化法、排名法、分簇法、模式挖掘法;然后利用UCI数据库的20个常用数据集,从预测性能、选择时间、结果集成分类器大小三个方面对这些典型算法进行了实验比较;最后总结了各类方法的优缺点,并展望了选择性集成的未来研究重点。     

基于混淆矩阵和集成学习的分类方法研究

针对多分类问题,本文提出一种基于混淆矩阵和集成学习的分类方法。从模式间的相似性关系入手,基于混淆矩阵产生层次化分类器结构;以支持向量机(SVM)作为基本的两类分类器,对于分类精度不理想的SVM,通过AdaBoost算法对SVM分类器进行加权投票。以变电站环境监控中的目标识别为例(涉及到人、动物、普通火焰(红黄颜色火焰)、白色火焰、白炽灯),实现了变电站环境监控中的目标分类。实验表明,所提出的方法有效提高了分类精度。     

GIL机械故障诊断与预警技术研究

为了有效诊断气体绝缘金属封闭输电线路(GIL)的机械故障,搭建了110 kV GIL试验平台并设计了3种典型机械故障,通过互补集合经验模态分解(CEEMD)模糊熵值与鲸鱼优化极限学习机(WOA-ELM)模型联合方法对GIL机械故障模式进行识别与诊断。首先,利用CEEMD方法对振动信号进行分解,引入正负白噪声组对信号进行处理,得到含有故障信息的模态分量(IMF)。其次,利用模糊熵计算模态分量特征值,得到能表征故障特征的模糊熵值。最后,结合WOA-ELM模型对特征向量集进行模式识别,根据聚类结果与自适应阈值对GIL设备机械故障进行诊断和预警。结果表明,利用CEEMD与模糊熵对GIL振动信号特征进行分析,可以有效避免模态混叠和冗余噪声分量的干扰,得到能够表征故障特征的特征值;利用WOA-ELM模型可以有效实现GIL设备机械故障诊断与预警。     

Fast network intrusion detection system using adaptive binning feature selection

Aiming at the problems of the low detection rate of traditional intrusion detection systems and the long training and detection time of intrusion detection systems based on deep learning,an adaptive binning feature selection algorithm using the information gain is proposed,which is combined with LightGBM to design a fast network intrusion detection system.First,the original data set is preprocessed to standardize the data;then the redundant features and noise in the original data are removed through the adaptive binning feature selection algorithm,and the original high-dimensional data are reduced to the low-dimensional data,thereby improving the accuracy of the system and reducing the training and detection time;finally,LightGBM is used for model training on the training set selected by the characteristics to train an intrusion detection system that can detect attack traffic.Through verification on the NSL-KDD data set,the proposed feature selection algorithm only takes 27.35 seconds in feature selection,which is 96.68% lower than that by the traditional algorithm.The designed intrusion detection system has an accuracy rate of 93.32% on the test set,and its training time is low.Compared with the existing network intrusion detection system,the accuracy rate of the proposed system is higher,and its model training speed is faster.     

基于门控循环单元与误差修正的短期负荷预测

针对负荷预测模型迭代训练过程中存在误差积累的问题,提出结合叠式双向门控循环单元（SBiGRU）、完整自适应噪声集成经验模态分解（CEEMDAN）和误差修正的组合预测模型. 建立SBiGRU模型学习在气温、日期类型影响下负荷序列的时序特征,误差特征体现在SBiGRU模型预测产生的误差序列中;使用CEEMDAN算法将误差序列分解为数个本征模态函数（IMF）分量与趋势分量,对每项分量再次建立SBiGRU模型进行学习与预测,并对各分量的预测值进行序列重构,得到误差的预测结果;对预测结果进行求和以修正误差. 模型评估结果表明,组合模型的预测准确精度为98.86%,与SBiGRU、BiRNN、支持向量回归等方法相比,该模型具有更好的精度.     

改进的基于AdaBoost算法的人脸检测方法*

针对传统AdaBoost算法的不足,分析了训练过程中出现的退化问题及样本权重扭曲的现象,并提出了解决这一问题的有效方法.该方法对样本权重的更新规则进行了适当的调整,即为每一轮循环设定一个权重更新阈值,根据样本是否被错误分类以及当前权重是否大于该阈值来更新样本权重,从而限制了困难样本权重的过分增大.使用该方法训练级联人脸检测器,试验结果表明,该方法较好地解决了传统AdaBoost算法所出现的退化问题,在保证检测率的同时降低了误检率.     

基于多模型融合Stacking集成学习的异常用电检测方法研究

针对单一异常用电检测方法对于存在不平衡性的数据集检测效率普遍不高的问题,提出了一种基于多模型融合Stacking集成学习的异常用电检测方法。首先,以居民用电数据作为研究对象,分析用户在习惯上表现的不同特征,结合不平衡处理技术和分类预测算法进行研究;其次,为了提高模型的整体性能,采用量子遗传算法对集成学习模型中的参数做优化处理;最后,通过云南某地区用电数据集进行验证,证明所提模型相比单一学习模型检测的准确率有明显提升,对提升异常排查效率,降低电力公司的运营成本具有重要意义。     

基于多模型随机组合的水文集合预报方法研究

准确、可靠的水文预报是水资源开发利用的基础。集合预报以概率或区间的形式表征预报的不确定性,是未来水文预报研究的重点发展方向。本文提出了一种基于多模型随机组合的水文集合预报方法。首先通过加权形式将多种预报模型进行组合;再采用多目标优化算法率定各成员模型权重的上、下限;最后在优化的上、下限内随机生成权重以构建集合预报。以汉江黄金峡水库中长期径流预报为研究对象,考虑月、旬两种预见期,构建了六种单一预报模型,采用非支配排序遗传算法对权重进行优化后得到集合预报样本。结果表明：所提方法能更好地反映预报的不确定性,且均值预报结果明显优于贝叶斯模型平均法和单一确定性预报模型,具有一定竞争力。     

基于改进CatBoost的电力系统暂态稳定评估方法

在实际电网的运行过程中,通过同步相量测量单元实时采集到的电网动态参数通常含有部分噪声,且有时会因通信故障造成数值的随机缺失,对基于人工智能的电力系统暂态稳定评估模型造成很大影响.为此,提出一种基于改进CatBoost的暂态稳定评估方法.通过分箱算法对输入特征数据进行离散化处理,提高模型对噪声的鲁棒性;采用加权的焦点损失函数代替交叉熵损失函数,提升模型的可信度并减少模型对失稳样本的漏判;将量测数据部分缺失的样本划分到单独的节点中继续建模,从而充分挖掘不完整样本中的暂态信息.在新英格兰10机39节点上的实验结果表明,所提方法的准确率和查全率均优于其他几类机器学习算法,而且所提方法对噪声和数值缺失表现出良好的鲁棒性且具有较快的训练速度和预测速度.