基于KPCA和ELM的新型民机舵机系统故障诊断

针对传统极限学习机模型难以学习高维数据、输入权值矩阵和隐含层偏置随机给定的问题,利用核主成分分析法来降低民机故障数据维数,通过改进的极限学习机来建立新型民机升降舵故障诊断模型.模型利用差分进化算法改进了极限学习机输入权值矩阵、隐含层偏置随机生成的缺点,应用到新型民机升降舵系统的故障诊断中.测试结果表明,KPCA-ELM...     

集成重复训练极限学习机的数据分类

极限学习机是一种随机化算法,它随机生成单隐含层神经网络输入层连接权和隐含层偏置,用分析的方法确定输出层连接权。给定网络结构,用极限学习机重复训练网络,会得到不同的学习模型。本文提出了一种集成模型对数据进行分类的方法。首先用极限学习机算法重复训练若干个单隐含层前馈神经网络,然后用多数投票法集成训练好的神经网络,最后用集成模型对数据进行分类,并在10个数据集上和极限学习机及集成极限学习机进行了实验比较。实验结果表明,本文提出的方法优于极限学习机和集成极限学习机。     

一种基于蚁狮优化的极限学习机

极限学习机(Extreme Learning Machine,ELM)是一种高效率的单隐层前馈神经网络,由于其训练速度快与泛化性能好,在各个领域中都有广泛的应用。但是极限学习机随机生成输入权值与隐含层偏置矩阵,随机性影响训练模型的泛化性能与稳定性,降低模型分类的精度。为了解决这一问题,借鉴蚁狮优化算法中利用蚁狮种群中的多个个体进行并行寻优的能力,改进优化极限学习机的输入权值与隐含层偏置矩阵,得到一个分类精度更高模型。以UCI标准数据库中数据进行分类实验分析验证,实验结果表明,在5类UCI数据集上基于蚁狮优化的极限学习机(ALO-ELM)相比于PSO-ELM和SaDE-ELM具有更高的分类精度。     

基于模拟退火算法的改进极限学习机

传统的极限学习机作为一种有监督的学习模型,任意对隐藏层神经元的输入权值和偏置进行赋值,通过计算隐藏层神经元的输出权值完成学习过程.针对传统的极限学习机在数据分析预测研究中存在预测精度不足的问题,提出一种基于模拟退火算法改进的极限学习机.首先,利用传统的极限学习机对训练集进行学习,得到隐藏层神经元的输出权值,选取预测结果评价标准.然后利用模拟退火算法,将传统的极限学习机隐藏层输入权值和偏置视为初始解,预测结果评价标准视为目标函数,通过模拟退火的降温过程,找到最优解即学习过程中预测误差最小的极限学习机的隐藏层神经元输入权值和偏置,最后通过传统的极限学习机计算得到隐藏层输出权值.实验选取鸢尾花分类数据和波士顿房价预测数据进行分析.实验发现与传统的极限学习机相比,基于模拟退火改进的极限学习机在分类和回归性能上都更优.     

在高斯分布下优化仿射变换的极限学习机

极限学习机(ELM)会大量映射到激活函数的饱和区域,同时隐含层输入与输出远远不能获得共同的分布方式,导致泛化性能大打折扣.针对这一问题,研究了在高斯分布下优化激活函数中仿射变换(AT)的极限学习机,主要思想是在隐含层输入数据上引入新型的线性关系,利用梯度下降算法对误差函数中的缩放参数和平移参数进行优化,以满足隐含层输出能够高度服从高斯分布.基于高斯分布计算仿射参数的方法,能够保证隐节点相互独立的同时,也强调了高度的依赖关系.实验结果表明,在实际分类数据集和图像回归数据集中,隐含层输出数据不能很好地服从均匀分布,但服从高斯分布趋势,总体上能够达到更好的实验效果.与原始ELM算法和AT-ELM1算法比较,均有显著的改善.     

在高斯分布下优化仿射变换的极限学习机

极限学习机(ELM)会大量映射到激活函数的饱和区域,同时隐含层输入与输出远远不能获得共同的分布方式,导致泛化性能大打折扣.针对这一问题,研究了在高斯分布下优化激活函数中仿射变换(AT)的极限学习机,主要思想是在隐含层输入数据上引入新型的线性关系,利用梯度下降算法对误差函数中的缩放参数和平移参数进行优化,以满足隐含层输出能够高度服从高斯分布.基于高斯分布计算仿射参数的方法,能够保证隐节点相互独立的同时,也强调了高度的依赖关系.实验结果表明,在实际分类数据集和图像回归数据集中,隐含层输出数据不能很好地服从均匀分布,但服从高斯分布趋势,总体上能够达到更好的实验效果.与原始ELM算法和AT-ELM1算法比较,均有显著的改善.     

基于改进极限学习机的MBR仿真预测研究

研究MBR膜通量,进行膜污染预测,是当今污水处理研究领域的重要课题之一。为了有效,准确地预测MBR膜通量,提出一种改进的极限学习机(PSO-ELM)预测模型。极限学习机(ELM)能够有效地克服反向传播(BP)算法的缺陷,并能以极快的速度获得很好的泛化性能。由于随机给定输入权值和隐层阈值,ELM通常需要较多隐含层节点才能达到理想精度。利用粒子群算法(PSO)对极限学习机(ELM)的权值和阈值进行优化,建立PSO-ELM预测模型,将提取的主成分作为该模型的输入,膜通量作为模型输出。研究结果表明,该模型对MBR膜通量预测具有较好的泛化能力和更高的预测精度。     

基于飞参数据的飞机操纵系统故障评估方法

针对某型飞机的操纵系统故障评估问题,提出了一种基于飞参数据建立的差分进化极限学习机(DE-ELM)算法。该算法融合了差分进化(DE)和极限学习机(ELM)两种算法,通过对飞参数据进行训练,构建了飞机操纵系统的黑箱模型。由于极限学习机(ELM)的输入权值以及隐含层阈值是随机产生的,所以ELM的随机性较大,稳定性不高,故利用寻优能力较强的DE对ELM输入权值和隐含层阈值进行寻优,从而实现ELM的结构优化,提升ELM的稳定性和鲁棒性。仿真结果表明,DE-ELM算法的决定系数达到了97.6%,其均方误差相比于BP神经网络降低了约79%,相比于单纯的ELM降低了64%。所以说该法可以有效提高精确度,同时具有更加良好的泛化性能。     

优化极限学习机及其在脑卒中TCD数据分类应用

为提高脑卒中经颅多普勒（Transcranial Doppler,TCD）数据分类的效率和准确率,应用蝙蝠算法（Bat Algorithm,BA）优化极限学习机（Extreme Learning Machine,ELM）模型进行脑卒中分类预测。在训练ELM模型时,隐含层输入权值矩阵和隐含层阈值矩阵元素产生的随机性影响了模型性能。为此,利用BA对ELM参数中的输入权值矩阵和隐含层阈值矩阵进行了优化,并用BA-ELM模型对实验所用的TCD数据集进行分类。实验结果表明,BA-ELM模型的分类准确率比ELM提高了22.77%,能有效进行脑卒中预测。     

自适应狼群算法优化ELM的模拟电路故障诊断

为了能够更加高效地检测和诊断模拟电路中的故障元件,提出了自适应狼群算法优化极限学习机的方法。该方法采用自适应遗传算法对特征参数进行选择,从而生成最优特征子集,然后利用最优特征子集构造样本输入极限学习机ELM网络对故障进行分类。针对极限学习机的输入层和隐含层之间的连接权值、隐含层的偏差都将会使其学习速度和分类正确率受到影响的问题,采用本文方法对它们进行优化并选择相应的最优值,提高了极限学习机网络训练的稳定性与故障诊断的成功率。通过2个典型模拟电路的诊断实例,给出了这些方法的具体实现过程,故障诊断率均在99%以上。仿真结果表明使用该方法进行模拟电路故障诊断时具有良好的正确率和稳定性。     

基于遗传算法的汽车调度问题研究

汽车调度问题长久以来属于NP类型的问题,一直没有达到一个最优解的状态,由于汽车调度问题牵扯到汽车的载重量,所属地,载货类型等等,考虑众多因素,很难有一个或一组数学公式进行计算,本文基于考虑汽车运送成本和最短路径,以每条属性为单个染色体,进行交叉以及变异,达到最终的优化,本试验运用Matlab的模拟仿真和遗传算法的数据功能包进行单个染色体的优化,求出一组最优解。     

改进的正态分布的分布估计算法

针对连续空间函数优化问题,提出了改进的正态分布的分布估计算法。该算法将优选出的个体看作正态分布,然后以正态分布概率模型随机采样产生新的种群,并挑选部分个体与保留的最好解进行交叉操作。将其与均匀分布的分布估计算法、正态分布的分布估计算法进行了比较,结果证明该方法的效果更好。最后分析了选择较好个体的比例对算法的影响。     

丁烷气敏传感器可靠性研究􀀁

通过对旁热式下烷气敏传感器的工作寿命试验和试验数据的处理,获得了该元件的寿命分布及分参数等信息。了解了该类元件的可靠性水平,为评价和提高该气敏传感器的可靠性水平提供了依据。     

基于耦合度的三个分布问题研究

本文主要讨论分布式应用系统中基于耦合度的用户分布、功能分布和数据分布问题。     

基于C#的网络视频分发策略的研究

网络分发策略对于视频应用的服务质量起着至关重要的作用。本文在分析现有分发策略的基础上,提出了基于启发式视频媒体数据分发策略的思想,并给出了基于C#平台的启发式分发策略的算法描述。     

基于Q值法的奖学金自动分配方案的设计与应用

为了实现奖学金在各院系间分配的席位公平和金额公平,在借鉴Q值法思想的基础上,将不公平值的计算分别应用到席位和金额的分配中,采取先分配奖学金席位,再按奖项金额和院系已获奖金总额将具体奖项分配给具有席位的院系的多阶段分配方式。与其他三种分配方案的分配结果进行对比表明,该分配方案能够获得更加公平的分配结果。该方案已在清华大学研究生奖学金系统中得到了实际应用,并取得了良好的应用效果。     

配网线路空间分布参数计算方法研究

为了提高配网线路分布参数的计算精度，本文提出一种有效的雷电环境下线路经过非理想大地时的分布参数计算方法。首先针对雷电流的高幅值、高频率特性带来的电晕问题和集肤效应问题，分析了传输线的起晕特性和集肤效应特性，建立了相应的输电线路等效模型；其次针对线路经过非理想大地的问题，本文利用复镜像法对线路的分布参数，包括分布电容和分布阻抗，进行了分析计算；最后为了研究集肤效应对线路分布参数的影响，本文还分析计算了复镜像深度算法下线路电阻和电感随频率的变化关系。文章的分析表明，基于复镜像深度算法的线路分布参数计算方法具有更高的精确性，同时在集肤效应的作用下，随着频率的增加,线路的分布电阻随之增加而分布电感则随之降低。     

基于分布估计算法的配电网故障区段定位

传统的人工智能算法在配电网馈线故障定位中的应用广泛,存在初始种群规模大,迭代次数多以及易陷入局部最优等缺陷。提出一种基于分布式估计算法的配电网故障区段定位方法,该方法将故障区段向量作为正确解,通过建立解空间内个体分布的概率模型,对模型采样,逐步提高最优故障区段向量在解空间内出现的概率。仿真结果表明将分布估计算法应用于多源开环条件下的配电网故障区段定位有着较快的故障定位速度和良好的容错性。     

基于车辆配送线路的区域协同配送方法

针对单物流中心大规模多区域的物流配送中存在的车辆路径规划不合理、装载率不高的问题,提出了一种基于车辆配送线路的区域间协同配送方法。该方法通过配送区域间的拓扑关系生成区域协同配送网络,进而依据一次配送中的有货区域信息生成车辆初始配送线路,并对具有相邻关系的线路进行配送线路间调整,从而形成最终的车辆途径配送区域的配送线路。在此基础上,依据配送区域内订单的分布情况以及单一区域扫描-遗传算法的配送方法,设计了沿配送线路的区域间协同配送方法。最后,通过选取“步步高”商业物流管理系统中的实际配送数据对模型和算法的有效性进行了验证分析。     

高性能路由器上分布式协议栈的研究和实现

提出了一种全新的结合层次分布和功能分布的实现方法，所提方法通过有选择性地卸载某些链接层和线卡的接口操作，来减轻可扩展性和性能的瓶颈。并给出了该方法在一个具有128Gbps交换容量的路由器上的具体实现。该方法可以满足高性能路由器的需要且具有较好的应用前景。