基于PSO-ELM算法的民航客运量预测

掌握民航客运量是航空公司在做重大科学决策和实施可行性计划的重要保障。为准确预测中国民航客运量的情况,引入了极限学习机(ELM),搭建民航客运量预测模型。建立了ELM神经网络最优结构,以此为基础,分别用粒子群算法(PSO)、遗传算法(GA)、差分进化算法(DE)对ELM的输入权值和隐含层阈值进行优化,降低了ELM随机生成参数的不稳定性。结果表明,PSO优化算法提高了ELM的拟合能力和泛化能力,预测精度也高于其他模型,为航空运输协调发展提供了可靠的依据。     

基于PSO-ELM算法的三维激光点云处理研究

为找出用于三维激光点云数据的处理方法,本文基于无人机装载激光扫描仪技术,以粒子群算法优化极限学习机(ELM)算法(PSO-ELM),得出最新算法处理点云数据,并与ELM模型计算结果对比,结果表明:PSO-ELM模型最优隐含层个数为50,在此情况下模型精度最高;PSO-ELM算法的处理效果明显更好,其生成的DEM和地形数...     

PSO-ELM的浆体管道临界淤积流速预测模型研究

针对浆体管道临界淤积流速预测难度大、精度低等问题,提出了粒子群优化—极限学习机(PSO-ELM)的临界淤积流速预测模型.利用PSO算法对ELM模型参数输入权值和隐元偏置进行优化,应用优化得到的ELM模型对预测集进行预测.通过实验仿真得到预测结果的最大误差为5.73%,预测效果优于常规的ELM模型和反向传播(BP)神经网络模型.     

基于互信息变量选择的燃煤机组SCR脱硝系统PSO-ELM建模

针对燃煤机组SCR脱硝系统出口NO_x浓度存在测量滞后以及吹扫时数据失真等问题,提出了一种基于特征提取和粒子群算法(PSO)优化极限学习机(ELM)超参数的燃煤机组SCR脱硝系统模型。利用互信息(MI)进行时间迟延补偿,采用最大相关最小冗余(mRMR)方法筛选辅助变量,通过PSO优化算法确定ELM最优超参数并建立预测模型,最后进行对比验证。仿真结果表明：采用本文方法所建立的PSO-ELM预测模型的均方误差和相关系数分别为0.931 4 mg/m³和0.978 6,预测精度高,能够为脱硝系统出口NO_x的现场优化控制提供技术支持。     

改进粒子群优化的极限学习机软测量建模方法

工业过程常含有显著的非线性、时变等复杂特性,传统的极限学习机有时无法充分利用数据信息,所建软测量模型预测性能较差。为了提高极限学习机的泛化能力和预测精度,提出一种改进粒子群优化的极限学习机软测量建模方法。首先,利用高斯函数正态分布的特点实现惯性权重的自适应更新,并线性变化学习因子以提高粒子群优化算法的收敛速度和搜索性能;然后将该算法用于优化极限学习机的惩罚系数和核宽,得到一组最优超参数;最后将该方法应用于脱丁烷塔过程软测量建模中。仿真结果表明,优化后的极限学习机模型预测精度有明显的提高,验证了所提方法不仅是可行的,而且具有良好的预测精度和泛化性能。     

基于PSO-ELM的机器人精度补偿方法研究

为了提高机器人的定位精度,对传统的基于神经网络的机器人精度补偿方法进行改进。采用两种基于粒子群优化的极限学习机（PSO-ELM）模型的精度补偿方法对机器人关节坐标及直角坐标进行补偿。分别对两种方法进行仿真实例分析,并与遗传算法优化的极限学习机（GA-ELM）模型进行对比。仿真结果表明,对直角坐标进行补偿的PSO-ELM机器人精度补偿法优于其他补偿方法,且具有较高的预测精度。     

一种优化极限学习机的果园湿度预测方法

针对传统水蜜桃种植过程中环境监测实时性差、人力物力浪费严重的现状,通过无线传感网络技术(WSN),本文果园环境监测系统的基础上提出一种优化极限学习机的湿度预测方法(PSO-ELM),该方法首先使用主成分分析法(PCA)对环境监测数据进行分析,实现数据的降维,然后利用粒子群算法(PSO)优化极限学习机(ELM)的初始权值、偏置,对训练集和测试集分别进行测试,以果园环境监测系统中9天(1296组)数据为测试对象,将PSO-ELM算法与线性回归、ELM神经网络进行对比,验证预测方法的可靠性。实验结果表明,该预测算法的RMSE、MAPE和 MAE分别为0.5038、0.0051和 0.3974,能较好的预测环境湿度信息。     

基于PSO-KELM的发动机特征参数预测

针对发动机特征参数预测中的参数选择及预测模型建立的问题,提出一种基于粒子群优化核极限学习机(PSO-KELM)的发动机特征参数预测方法。根据能够反映发动机性能及技术状况变化趋势、不解体检测和抗干扰的原侧,选择排气温度作为表征发动机运行状况的特征参数,以发动机水温、油温、尺杆位移和转速作为关联特征量。通过核极限学习机(KELM)建立预测模型,采用粒子群算法对KELM的惩罚系数和核参数进行优化,以减少人为因素的影响。车辆在怠速和行驶工况下的特征参数预测结果表明,与基于粒子群优化的最小二乘支持向量机预测模型(PSO-LS-SVM)和基于网格搜索优化的核极限学习机预测模型(NS-KELM)相比,PSO-KELM的预测精度更高,为发动机特征参数预测提供了一条有效途径。     

基于PSO-KELM的发动机特征参数预测北大核心CSCD

针对发动机特征参数预测中的参数选择及预测模型建立的问题,提出一种基于粒子群优化核极限学习机(PSO-KELM)的发动机特征参数预测方法。根据能够反映发动机性能及技术状况变化趋势、不解体检测和抗干扰的原侧,选择排气温度作为表征发动机运行状况的特征参数,以发动机水温、油温、尺杆位移和转速作为关联特征量。通过核极限学习机(KELM)建立预测模型,采用粒子群算法对KELM的惩罚系数和核参数进行优化,以减少人为因素的影响。车辆在怠速和行驶工况下的特征参数预测结果表明,与基于粒子群优化的最小二乘支持向量机预测模型(PSO-LS-SVM)和基于网格搜索优化的核极限学习机预测模型(NS-KELM)相比,PSO-KELM的预测精度更高,为发动机特征参数预测提供了一条有效途径。     

基于粒子群算法优化极限学习机的无源目标定位算法

为了提高目标定位精度,提出一种基于粒子群算法优化极限学习机的无源目标定位算法。首先通过位置信息场采集目标的相关信息,然后利用极限学习机对位置信息场与目标位置之间的非映射关系进行拟合,同时采用粒子群算法对极限学习机参数进行优化,最后在Matlab 2009平台进行仿真对比实验。结果表明,相对于其他目标定位算法,该算法提高了目标定位的精度,更加适合于复杂环境下的目标定位。     

基于聚类和微粒群优化的基因选择方法

在高维的基因表达谱数据中,只有少量基因对分类诊断其作用,而且还存在大量冗余的与癌症分类诊断无关的噪声基因,这些都会导致分类性能的下降。通过基因选择选取与分类紧密关联的基因,不仅能够剔除与疾病无关的基因,减少机器学习算法的时间复杂度和空间复杂度,提高分类的正确率,而且选出的特征基因可以作为肿瘤基因诊断和肿瘤药物治疗靶标确定的依据,降低后期生物学分析成本。本文提出一种基于聚类和粒子群算法（Particle swarm optimization,PSO）的基因选择方法,在PSO算法进行搜索之前,先对基因进行聚类,并对聚类结果进行选择,将被选中的簇的中心作为PSO的初始值,每个被选中的簇作为一个搜索空间,并利用极限学习机（Extreme learning machine,ELM）的分类精度作为特征选择的适应评价标准。该算法不仅有效地利用了聚类算法对基因进行初步归并的能力,也利用了PSO算法的全局优化能力,克服了传统PSO算法早熟、局部收敛速度慢的缺点,因此它能够高效地完成最优基因子集的确定,同时提高癌症分类正确率。     

融合多策略的鸟群算法及油层识别ELM模型优化

为了改进鸟群算法易陷入局部最优、收敛速度慢以及种群多样性不足的缺点,提出融合多策略的鸟群算法.引入混沌权重和对称切线混沌加速系数以及高斯扰动策略,增强算法跳出局部最优的能力;引入混合多步选择和自适应步长因子策略,加快算法的收敛速度;引入小波变异策略,丰富算法的种群多样性.实验采用10个基准测试函数,将改进的算法与另外5...     

基于PSO优化的燃油供给压力动态跟踪控制

燃烧用油料供给压力的精确控制是一个具有非线性特性的流体输送压力控制问题,针对现有PID控制存在的不足,提出了基于PSO优化的预测函数控制(PSO-PFC)方法,通过与PFC,PID控制方法的仿真比较,以及对阳极焙烧炉重油燃烧供给压力的动态跟踪控制表明,该方法优于原有燃油燃烧系统的PID控制,以及常规和其他改进的PFC控制方法,实现了燃油供给压力的动态跟踪精确控制。     

基于粒子群优化支持向量机的煤矿水位预测模型

支持向量机算法(SVM)具有可靠的全局最优性和良好的泛化能力,适用于有限样本的学习,而该算法的成功与否很大程度上取决于其参数的选择,而常规经验选取方法往往不能获得满意效果。利用粒子群算法(PSO)随机搜索策略对支持向量机参数进行优选,建立基于粒子群算法参数优化的支持向量机模型(PSO-SVM)。仿真结果表明,该优化模型比传统的人工神经网络(BP)模拟效果要好,在拟合精度方面有很大的提高,且具有较好的泛化能力。     

基于粒子群算法的室内环境节能优化控制

目前建筑室内环境节能优化控制大多侧重于室内空调、照明等各分系统的独立优化控制,但从能量消耗角度来考虑,如何兼顾各个系统的耗能,使整体耗能最小是最节能的。针对这一问题,提出了一种基于粒子群算法的节能综合控制,通过寻找窗帘开启的最优角度,调节高精度电动窗帘满足室内光环境需求,降低照明能耗,同时将日射得热引起的空调冷负荷降到最低,使整体效能最佳,从而提高系统的效率。实验结果表明,该控制方案综合考虑了照明能耗和空调能耗的合理分配,能为建筑物整体能耗节约了大约30%的能耗。     

基于结合混沌纵横交叉的粒子群算法优化极限学习机的短期负荷预测

为了解决传统的单一负荷预测模型精度低以及常规智能算法在解决高维、多模复杂问题时容易陷入局部最优的问题,提出了一种结合混沌纵横交叉的粒子群算法（CC-PSO）优化极限学习机(ELM)的短期负荷预测模型。ELM的泛化能力与其输入权值和隐含层偏置密切相关,采用结合混沌纵横交叉的粒子群算法优化ELM的输入权值与隐含层偏置,提高了ELM的泛化能力和预测精度。选择广东某地区实际电网负荷数据进行分析,研究结果表明,相对于BP神经网络和支持向量机,ELM具有更高的泛化能力和预测精度;CC-PSO相对于粒子群和遗传算法具有更高的全局搜索能力,CC-PSO-ELM模型具有较高的负荷预测精度。     

基于博弈模型的合作式粒子群优化算法

粒子群算法作为一种新兴的进化优化方法,能够大大减轻复杂的大规模优化问题的计算负担. 根据博弈论的思想,在传统粒子群基础上提出了一种基于博弈模型的合作式粒子群优化算法,算法基于重复博弈模型,在重复博弈中利用一个博弈序列,使得每次博弈都能够产生最大效益,并得到了相应博弈过程的纳什均衡. 通过典型基准测试函数对算法的性能进行对比实验,实验结果表明算法是可行的、有效的,对拓展粒子群算法研究具有重要的理论意义与实际意义.     

基于动态粒子数的微粒群优化算法

提出了基于动态粒子数的微粒群算法,并建立了粒子数变化函数．该函数包含粒子数衰减趋势项和周期振荡项．衰减趋势项能够在种群向最优解不断收敛的过程中逐渐减少粒子数,以提高粒子效率．周期振荡项中的递增阶段代表了新粒子的随机出现,以增加粒子群的多样性,而周期振荡项中的递减阶段代表了探索性能差的粒子逐渐消亡,以提高优化效率．对4个标准函数进行测试,仿真结果表明该算法能有效地减少计算量,并显著提高全局搜索性能．     

基于QPSO训练的SVM核函数集成学习研究

针对训练子集随机性强、规模大、算法时空复杂度高等问题,提出了基于量子微粒群的支持向量机（QPSO-SVM）核函数集成学习算法。该方法首先采用K-Means算法对训练样本进行聚类分析,然后根据其聚类分布选择少量具有代表性的样本,并通过基于量子行为的粒子群算法来训练单个支持向量机（SVM）,最后通过贝叶斯投票方法得到集成的SVM分类学习器。实验表明该方法在非线性高复杂度的数据分类中对分类精度有较大提高。