基于优化后的内核极限学习机的短期风力发电功率预测

为提高短期风力发电功率预测的精度,经过对比选择了内核极限学习机(Kernel Extreme Learning Machine,KELM)预测模型的原始模型,对该模型的内部参数进行研究,选择了多元宇宙优化算法(Multi-Verse Optimizer,MVO)对其参数进行优化。还提出用鲸鱼优化算法(Whale Optimization Algorithm,WOA)来给MOV初始化种群,以使MVO算法更不容易陷入局部最优,从而有着更好的求解能力。通过此预测模型进行发电功率预测,获得一个均方根误差(RMSE)值为0.0032、平均预测误差为0.00033的预测结果,最后进行对比实验验证其具有较好的预测效果。     

一种灰色极限学习机预测方法

预测是一种根据已知数据在过去一定时间段内呈现出的发展的规律性对未来发展趋势进行描述的行为.近年来,预测被应用到很多领域,如电价预测、股票价格预测和气象预测等.然而传统的预测方法由于其精度不高或速度不快等问题,无法满足当今预测领域的需求.针对传统预测方法存在的问题,基于组合预测的思想,结合强化学习的累积函数的概念,提出了结合灰色预测模型和极限学习机的组合预测方法.算法在微软股票信息、Mackey-Glass时间序列数据和台湾液晶屏制造业的制造数据等实验数据集上进行了相关实验,结果表明该算法是有效的.     

基于FAM-ELM股票价格预测研究

研究股票价格准确预测问题.股票价格预测是股票交易者最关心的问题,直接影响着股票交易者的收益.由于股票受经济发展的影响,价格波动较大,在股票价格预测中采用传统神经网络方法存在训练速度慢,易陷入局部极小值,隐含层节点数人为指定等问题,导致泛化能力受到影响,预测不准.为了提高股票价格预测的精度,提出基于因子分析法的极限学习机股票价格预测模型.首先使用因子分析法综合股票价格影响指标;接着使用隐含层神经元数量寻优算法搜索最优隐含层神经元数量值;然后使用极限学习机对综合后的股票价格影响指标进行学习,建立股票价格预测模型;最后通过实验对模型性能进行测试.试验结果证明,基于因子分析法的极限学习机提高了股票价格的预测精度和运行效率.     

基于金枪鱼群算法优化极限学习机的混凝土抗压强度预测

混凝土抗压强度是建筑结构设计与评价一个重要指标,它直接关乎建筑的质量与安全。为解决现有机器学习模型对其预测存在预测耗时长、精度不够高,不能很好地满足施工现场对混凝土抗压强度预测实时性与准确性要求的问题,提出一套基于新式仿生算法金枪鱼群算法优化极限学习机（TSO-ELM）的混凝土抗压强度预测方法。该方法通过对ELM隐藏层初始参数中的连接权值与偏置值使用TSO进行寻优,有效提升了ELM的预测准确度。在仿真实验部分,通过两组混凝土数据集对ELM的预测速度、TSO的寻优能力、TSO-ELM模型的泛化性逐一进行验证。结果表明,该方法可以有效提高预测的速度与精准度,迭代次数更少,同时具有良好的泛化性,为现场施工及时进行混凝土抗压强度的预测提供了一种新方法。     

基于ELM和FOA的股票价格预测

针对股票价格预测中应用极限学习机预测存在稳定性不理想的问题,提出了一种改进果蝇优化极限学习机（IFOA-ELM）预测模型的算法。在该算法中,果蝇群通过不断调整群半径来优化ELM的输入层与隐含层连接权值和隐含层阈值,并以优化后的结果为基础,构建ELM预测模型。将IFOA-ELM模型用于股票价格预测。实验表明,与ELM和FOA-ELM相比,IFOA-ELM在股票价格预测中具有更高的预测精度和更好的稳定性。     

基于BOA-ELM的混凝土抗压强度预测研究

为控制控制混凝土生产成本,在混凝土拌和期限制抗压强度不足的缺陷构建产出,可以有效降低原料的浪费,是节能降耗的关键方法之一。针对混凝土抗压强度的传统测量方法严重滞后的问题,提出了基于贝叶斯优化极限学习机(BOA-ELM)的混凝土抗压强度预测方法。首先,分析了混凝土拌和过程中对抗压强度预测值实时获得的需求。以各物料的用量为分析基础,28天标准养护后混凝土抗压强度值为预测目标,设计了基于极限学习机的强度预测模型。其次,为进一步提高模型的稳定性以及准确行,提出基于贝叶斯优化的极限学习机模型,根据模型超参数的分布特征,以高斯过程作为超参的先验分布,预测误差最小化作为目标,寻找最优的模型超参。最后,在实际施工产生的C50标号混凝土数据集上测试文中模型,并对比分析了其他预测模型和寻优算法。结果表明,结合了贝叶斯优化的极限学习机预测模型相较于经典算法具有更高的预测准确性和模型训练的高效性。     

基于软测量的醋酸精馏过程串级预测控制策略

针对醋酸精馏控制中,产品成分无法在线检测并且对产品质量采用温度间接控制存在控制精度低的问题,提出一种基于在线更新小波核函数极限学习机软测量的DMc预测控制策略,其中,在线更新的小波核函数极限学习机软测量实现了塔底醋酸浓度的实时检测,仿真结果表明,在线更新模型的预测精度比离线模型提高52%。将上述在线更新的软测量应用于塔底醋酸浓度闭环预测控制系统中,实现对塔底醋酸浓度的直接质量控制,该系统采用DMc作为醋酸浓度控制器,其输出量作为再沸器蒸汽流量控制器的设定值,与再沸器流量控制构成串级调节系统。控制系统仿真结果表明,该软仪表具有良好的在线预测性能,预测控制系统控制精度高、可以实现产品质量的卡边控制。     

基于MWOA-ELM代理模型的有限元模型修正

为得到待修正参数与结构响应之间的关系,提高模型修正效率,将极限学习机(ELM)和鲸鱼优化算法(WOA)引入有限元模型修正(FEMU).通过高斯(Gauss)混沌初始化、非线性调整策略、自适权重系数等改进鲸鱼优化算法,利用其优化极限学习机,建立待修正参数与加速度频响函数之间的非线性映射关系.以试验与优化极限学习机模型输出...     

基于WOA-BiLSTM模型的空气质量指数预测

空气质量预测工作对于人们的生活日常出行具有非常重要的意义.长短时记忆网络作为一种新型的深度学习循环神经网络,对于时间序列数据表现出良好的预测能力.但是针对神经网络模型在训练过程中一般凭借经验进行参数选择,训练周期长,预测精度低,结果不可靠的问题,本文提出了一种基于鲸鱼优化算法的双向长短时记忆网络模型,即WOA (whale optimization algorithm)-BiLSTM (bidirectional long short-term memory)模型.双向长短时记忆网络凭借其前向和后向的双向网络结构,能够加强序列数据信息的记忆能力,而WOA算法可以依据鲸鱼捕食时气泡网捕食的方法,协助BiLSTM模型在训练过程中找到最优的网络参数.将该模型用于陕西省AQI (air quality index)预测,并分别和BiLSTM、LSTM模型进行对比,发现本文提出的模型预测结果最好, MAE值为6.543 3,R2值达0.989 9.将该模型用于空气质量预测领域具有良好的理论和实践意义.     

基于动态递归神经网络的航煤比重在线估计

针对常压塔航煤比重在线质量仪表存在滞后大、易出现故障的缺点 ,提出了运用动态递归神经网络 ,根据实测的温度、流量、压力等过程参数 ,在线估计航煤比重 ,为比重质量闭环控制提供了基础     

基于IHS_RELM的网络安全态势预测方法

针对网络安全态势感知中的态势预测问题,提出一种基于IHS_RELM的网络安全态势预测方法。对和声搜索算法的原理进行了研究,在此基础上提出一种改进的和声搜索算法。将正则极速学习机(RELM)嵌入到改进的和声搜索算法(IHS)的目标函数计算过程中,利用IHS算法的全局搜索能力来优化选取RELM的输入权值和隐含层阈值,在一定程度上提升了RLLM的学习能力和泛化能力。仿真实验表明,与已有的其他预测方法相比,该方法具有更好的预测效果。     

基于小波KPCA与IQGA-ELM的煤与瓦斯突出预测研究

为有效预防煤与瓦斯突出灾害,针对煤与瓦斯突出预测精度和效率不高问题,提出基于小波核主成分分析(KPCA)和改进的极限学习机(IQGA-ELM)的煤与瓦斯突出预测方法.通过小波核主成分分析法对原始致突指标进行非线性降维处理,提取出致突指标主成分序列,将其作为极限学习机(ELM)网络神经的输入,利用改进量子遗传算法(IQGA)对ELM的输入层权值和隐含层阈值进行优化,建立小波KPCA-IQGA-ELM预测模型,模型的输出为煤与瓦斯突出强度的预测结果.研究结果表明,该模型泛化能力强,可以对煤与瓦斯突出强度进行有效预测.     

基于IPSO-Powell优化SVM的煤与瓦斯突出预测算法

针对基于支持向量机(SVM)的煤与瓦斯突出预测算法存在预测精度和可靠性不高,选择核函数时未考虑非线性数据的分类,对非线性分布的煤与瓦斯突出影响因素提取效果较差的问题,提出了一种将改进的粒子群(IPSO)算法与Powell算法相结合(IPSO-Powell)优化SVM的煤与瓦斯突出预测算法.首先通过灰色关联分析提取出煤与瓦斯突出主控因素,即瓦斯放散初速度、瓦斯压力、开采深度、瓦斯含量和煤体破坏类型,作为算法的输入样本;然后运用IPSO算法改善粒子群算法(PSO)的早熟收敛性,结合Powell算法进行局部搜索得到最优解,对SVM算法的惩罚系数和高斯核函数参数进行寻优,得到SVM的最优参数组合;最后将煤与瓦斯突出的主控因素输入到SVM中进行分类,并将其与实际测试集分类结果进行对比,实现煤与瓦斯突出预测.仿真结果表明:与SVM算法、GA-SVM算法、PSO-SVM算法相比,利用IPSO-Powell优化SVM算法进行煤与瓦斯突出预测,具有更高的预测精度,同时提高了SVM求解过程的运算效率,能同时满足煤与瓦斯突出预测的精度和可靠性要求,准确率达到95.9%.     

基于改进ELM的无线传感网络水温预测方法研究

为有效地对工厂化水产养殖进行指导和管理,解决实际生产中水温数据预测精度低、稳定性差等问题,在分析水温影响因素的基础上,通过天气指数的计算对传感器采集的异常数据进行校正,进而提出一种遗传算法（GA）结合改进极限学习机（ELM）的池塘水温预测模型（GA-ELM）。在模型建立的过程中,采用Softplus对传统ELM的激活函数进行改进,在GA算法获取ELM最佳初始权值和偏置参数的基础上,对实现数据校正的池塘水温数据进行预测。将GA-ELM与BP神经网络和标准ELM网络模型进行对比,GA-ELM的预测指标MAE、MAPE和RMSE分别为0.1543、0.0054和0.1876,实验结果表明,GA-ELM模型有较好的预测性能,能高效、稳定地实现水温的预测。     

基于优化的量子门节点神经网络的煤与瓦斯突出预测

为了精准地预测煤与瓦斯突出风险等级,提出了一种基于子维进化的粒子群优化算法(sdPSO)和量子门节点神经网络(QGNN)的瓦斯突出风险等级预测模型sdPSO-QGNN.利用灰色关联分析(GRA)对突出影响因素进行降维处理,将筛选出的主控因素作为QGNN的输入,利用sdPSO对量子门节点神经网络参数进行优化,以提高量子门节点神经网络的全局与局部搜索能力,建立sdPSO-QGNN的瓦斯突出风险等级预测模型,实现对瓦斯突出风险的预测.实验结果表明,与BP(back propagation)神经网络、对称Alpha稳定分布的概率神经网络(SαS-PNN)、免疫粒子群算法优化的支持向量机(IPSO-SVM)、Memetic算法优化的极限学习机(Memetic-ELM)等预测模型相比,所提方法在提升模型泛化能力、提高预测精度方面效果显著.     

基于离群点检测和误差修正的空气质量指数预测

空气质量指数(Air Quality Index,AQI)预测可以为人们日常生产活动以及空气污染治理工作提供指导.针对空气质量指数预测模型受离群点影响较大的问题,利用孤立森林算法对空气质量数据集进行离群点分析,采用离群鲁棒极限学习机模型(ORELM)对空气质量指数进行预测,并构建误差修正模块对模型预测误差进行修正.最后...