不完备数据的反馈式极限学习机填充算法

随着互联网、大数据等信息技术的发展,数据收集中部分属性缺失的问题受到了广大学者的关注。针对传统极限学习机无法根据输出值对网络结构优化的问题,本文提出基于极限学习机预测缺失属性的反馈式极限学习机(FELM)算法,将卡尔曼滤波思想改进极限学习机并用互信息策略作为属性间的衡量标准,网络模型的训练样本集为完整数据。     

基于加权极限学习机的SAR目标识别

提出了一种基础加权极限学习机的SAR目标识别算法。首先采用Gabor滤波器对图像进行特征放大处理,然后把处理后的特征采用主成分分析算法进行压缩,最后采用极限学习机算法进行分类识别,同时针对样本的噪声和离群点问题,提出了加权极限学习机的算法,实验结果表明本文的算法识别精度高,计算速度快,优势明显。     

基于极限学习机的电力短期负荷预测

本文首先对人工神经网络中的单隐含前馈神经网络和极限学习机(ELM)的基本原理和理论进行了概述,然后将极限学习机算法与粒子群算法结合,利用粒子群优化算法(PSO)对极限学习机的参数进行优化,将PSO和ELM的优点结合在一起,使其具备参数调整简单、可以在全局范围寻优、泛化能力强等特点,最后使用基于粒子群算法优化极限学习机的预测模型,在具体数据中进行算例分析,确定预测模型的可行性。     

浅析几种基本路段行程时间预测算法

近年来,短时行程时间预测研究取得了一些成果,研究者在各自的领域内运用不同的方法建立了各种行程预测算法。这些预测算法按照所选参数的多少分为综合模型和基于路段上的时间序列预测模型,综合模型适应性强,但需要的交通参数较多,时间序列预测模型适应性较差,但模型简单。按照预测效果及用途分为实时性预测以及估计行预测,实时性预测要求预测的实时性能高,用来做交通控制、交通流诱导和线路引导。估计性预测其精确度要求不高,实时性能要求也不高,主要用来为出行者提供信息,本文将介绍几种已有的路段行程时间预测算法。     

强震作用下高层结构地震响应时程的多步预测

提出了一种结合经验模态分解(EMD)与极限学习机(ELM)的时间序列多步预测方法,对近断层强震作用下弹塑性高层框架结构的顶层加速度和位移响应时程进行了多步预测。首先,利用经验模态分解技术将高层结构非线性、非平稳地震响应分解为一系列具有不同特征尺度的固有模态函数序列(IMFs)。然后,利用极限学习机分别对固有模态函数子序列进行多步预测,再将各子序列的预测值叠加得到最终的预测值。预测结果表明,EMD-ELM预测方法能够高精度地实现强震作用下高层建筑动力响应的多步预测。建筑结构地震响应时程的短期预测可为主动、半主动控制系统预先提供准确的动力响应,从而有利于实现工程结构的在线实时减震控制。     

基于PSO-ELM组合算法的热力站负荷预测研究

提出了一种粒子群优化极限学习机(PSO-ELM)算法用于热力站负荷预测,应用粒子群(PSO)算法优化极限学习机(ELM)的输入权值和隐含层阈值。将提出的组合算法应用于天津市某小区热力站的负荷预测中,并与ELM、支持向量回归(SVR)和粒子群优化支持向量回归(PSO-SVR)算法在同等条件下进行比较。结果表明,PSO-ELM在预测精度上优于其他算法;在热负荷波动较大时,表现优于PSO-SVR;在一定范围内样本容量对预测结果影响不大,PSO-ELM可遗忘更多的数据。     

基于IPSO-RELM转炉冶炼终点锰含量预测模型

分析了影响转炉冶炼终点钢水中锰含量的因素,针对基于BP神经网络算法的转炉冶炼终点锰含量预测模型存在的收敛速度慢,预测精度低等问题,提出了一种基于极限学习机(ELM)算法建模的新思路,并引入正则化以及改进粒子群优化算法(IPSO),建立了基于改进粒子群算法优化的正则化极限学习机(IPSO-RELM)的转炉终点锰含量预测模型;应用国内某炼钢厂转炉实际生产数据对模型进行训练和验证,并与基于BP、ELM和RELM算法的三类模型进行比较.结果表明,采用IPSO-RELM方法构建的模型,锰含量预测误差在±0. 025%范围内的命中率达到94%,均方误差为2. 18×10~(-8),拟合优度R2为0. 72,上述三项指标均显著优于其他三类模型,此外,该模型还具有良好的泛化能力,对于转炉实际冶炼过程具有一定的指导意义.     

迁移极限学习机及其在域自适应问题的应用

基于极限学习机理论,提出1种针对域迁移问题的改进型极限学习机算法(domain transfer extreme learning machine,DTELM),在减小源域S和目标域T的分布距离的同时,利用自编码器原理,尽可能多地保留目标域的原始数据结构,使其数据可分性不受破坏,从而能够有效地解决域自适应的数据分类问题。通过在真实数据集上的实验,将所提算法与已有的域自适应算法比较,验证了其有效性。     

基于极限学习机方法的边坡稳定性分析

为了实现对边坡安全系数的预测,选取了60组边坡稳定性影响因素和对应安全系数作为数据样本,利用极限学习机(ELM)建立了边坡的稳定性分析模型,指出实验结果与传统的BP神经网络和极限平衡法方法的计算结果非常接近,表明极限学习机可以用来进行边坡稳定性预测和判断。     

基于极限学习机的新型挡土墙安全性预测研究

挡土墙安全性能是水利工程设计和运行环节都需关注的重点问题,常规挡土墙设计存在过于保守的缺陷.墙体形态、工程材料、地基承载能力、墙后填土力学参数等对挡土墙整体安全性能影响错综复杂.文中以仰斜式新型挡土墙为例,基于前人计算的挡土墙相关安全系数结果,采用优化极限学习机,预测了相关安全系数.结果表明,优化后的极限学习机能够较好...