LM-BP神经网络在大坝变形预测中的应用

为了对大坝进行切实有效的监控,需要建立一个良好的大坝预测模型。针对传统BP(Back-Propagation)神经网络存在的收敛速度慢和泛化能力弱等缺陷,利用LM-BP(Levenberg Marquardt Back Propagation)算法对大坝变形进行预测,并根据丹江口大坝1996和1997两年的变形观测数据,对大坝挠度预测结果进行分析。结果表明,所建立的LM-BP神经网络的预测精度和收敛速度明显提高。     

基于EMD和ELM相结合的门诊量预测模型研究

针对门诊量波动幅度较大的时间序列预测问题,先采用经验模态分解(EMD)将非线性较强的原始数据进行分解,然后通过极限学习机(ELM)将分解后的各个序列分量进行建模,最后将各个分量的预测值相加得出最终结果。将BP神经网络、ELM两个单一模型与EMD-ELM组合模型进行对比验证,实验结果表明组合模型的精准度明显好于两个单一模型。     

基于EMD-TCN-ELM的短期电力负荷预测

为降低负荷序列的复杂性,利用EMD分解方法得到不同的分量.为降低训练时间和减小分量逐个预测所带来的累计误差,利用分量过零率大小将分量重构为高频分量和低频分量,利用TCN模型预测负荷的高频分量,利用极限学习机ELM预测负荷低频分量.通过实验将所提模型EMD-TCN-ELM分别与3个单模型TCN、ELM、LSTM和3个混合模型EMD-TCN、EMD-ELM、EMD-LSTM比较,其MAPE分别降低0.538%, 1.866%, 1.191%,0.026%, 1.559%, 0.323%,所提模型的预测精度最高.且所提模型在预测精度前3的模型中训练时间最短,验证了所提模型在负荷预测精度和训练时间方面的优越性.     

基于组合模型的非线性时间序列预测算法

为解决复杂系统中非线性时间序列预测模型构建效率低、预测精度低的问题,提出基于组合模型的HURST-EMD预测算法.采用EMD算法将非线性时间序列分解为代表原始序列特征的各个IMF,然后引入赫斯特(Hurst)指数将同类的IMF整合为新的分量,最后选用LS-SVR-ARIMA模型进行组合预测.在该算法中,设计了序列分类整合等过程,优化了建模的计算量,构建了高效精准的预测模型.为验证模型的有效性,采用上证指数公共数据集和真实交通流数据进行检验,实验结果表明,改进的基于组合模型的HURST-EMD预测算法在提高预测效率的同时具有更好的预测精度.     

基于优化变分模态分解和核极限学习机的集装箱吞吐量预测

针对港口集装箱吞吐量数据的复杂性特征,提出基于优化变分模态分解（OVMD）和核极限学习机（KELM）的集装箱吞吐量短期混合预测模型。首先,用汉佩尔辨识法（HI）剔除原始时间序列中的异常值,并把预处理之后的序列通过OVMD分解为多个特征明显的子模态。然后,为提高预测效率,将分解后的子模态按照样本熵（SE）值的大小分成高频低幅、中频中幅和低频高幅三类;同时,借助KELM中携带的小波、高斯和线性核函数捕捉具有不同特征子模态的趋势。最后,把所有子模态的预测结果线性相加得到最终的预测结果。以深圳港的月度集装箱吞吐量数据为样本进行实验,所提模型的平均绝对误差（MAE）达到0.914?9,平均绝对百分比误差（MAPE）达到0.199%,均方根误差（RMSE）达到7.886?0,决定系数（R²）为0.994?4。与四种对比模型相比,所提出的模型在预测精度和效率上都具有一定的优势,同时克服了传统互补集成经验模态分解（CEEMD）和集成经验模态分解（EEMD）中容易出现的模态混叠问题以及极限学习机（ELM）中存在过拟合等问题,具有一定的实际应用潜力。     

极限学习机在机场旅客吞吐量预测中的应用

极限学习机(ELM)是一种新型单馈层神经网络算法,在训练过程中只需要设置合适的隐藏层节点个数,随机赋值输入权值和隐藏层偏差,一次完成无需迭代.结合遗传算法在预测模型参数寻优方面的优势,找到极限学习机的最优参数取值,建立成都双流国际机场旅客吞吐量预测模型,通过对比支持向量机、BP神经网络,分析遗传-极限学习机算法在旅客吞吐量预测中的可行性和优势.仿真结果表明遗传-极限学习机算法不仅可行,并且与原始极限学习机算法相比,在预测精度和训练速度上具有比较明显的优势.     

基于CEEMDAN-FE-KELM方法的短期风电功率预测

针对短期风电功率预测,提出一种基于自适应噪声完整集成经验模态分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）-模糊熵（FE）的核极限学习机（extreme learning machine with kernels,KELM）组合预测方法．CEEMDAN方法在信号分解的每一阶段都添加特定的白噪声,通过计算唯一的余量信号以获取各个模态分量,与EEMD（ensemble empirical mode decomposition）方法相比,其分解过程是完整的．为降低信号非平稳性对预测精度的影响及减少计算规模,采用CEEMDAN-模糊熵（FE）方法将信号分解为具有不同复杂度差异的子序列,然后分别构建相应的KELM预测模型,最后对预测结果进行合成．将CEEMDAN-FE-KELM方法应用于某地区的短期风电功率预测,在同等条件下,与单一的KELM方法及KELM的组合预测方法进行实验对比,结果证明该方法更有效．     

面向大坝变形监测的时空一体化预测算法

大坝变形的时空演变预测分析有助于大坝管理人员及时掌握大坝空间的整体变形状态。目前,大坝变形预测研究分为两个方面:1)通过仅对分布变形仪器部位进行时间序列预测,得出下一时刻的变形值(如BP神经网络);2)利用周围变形数据进行空间插值,得到当前时刻未分布仪器点的变形值。单独使用上述任何一种方法都无法利用历史变形数据预测下一时刻未分布仪器部位的变形状况。针对该问题,结合空间预测模型时空克里金方法(STKri-ging,STK)与神经网络模型即BP神经网络及门限循环神经网络(Gated Recurrent Unit,GRU)各自的优势,构造了一种新型时空序列预测算法(BP-STK-GRU),实现了对未分布监测仪器部位的变形值预测。主要步骤包括:1)GRU优化单个测点的历史时间序列变形值;2)BP拟合测点下一时刻数据的整体趋势;3)利用STK拟合BP预测结果的稳定部分;4)结合空间插值及BP空间整体预测值,得出未分布仪器点的变形值。实验结果表明,所提方法是有效的,并且在对未知点的变形预测稳定性及精确度方面都有很好的表现。     

ADCS-ELM算法滚动轴承故障诊断

针对滚动轴承的故障信息难以从复杂噪声背景下的非平稳振动信号中提取且传统方法分类精度低等问题,提出一种基于集合经验模态分解(EEMD)能量特征提取和优化极限学习机神经网络(ADCS-ELM)分类诊断相结合的轴承故障诊断方法.利用EEMD对非线性和非平稳信号的自适应分解能力,将待检测轴承故障信号分解为包含故障特征的固有模态...     

基于小波变换与差分变异BSO-BP算法的大坝变形预测

针对现有大坝变形预测模型的预测精度不高、BP神经网络的参数和结构很难确定且容易陷入局部极值等问题,通过引入小波变换理论把原始的大坝变形序列分解成多个子序列,然后对每个子序列使用头脑风暴优化算法(brain storm optimization,BSO)优化BP神经网络的参数和结构.同时,把差分变异思想引入BSO算法,建...     

基于混合模型的中长期降水量预测

针对中长期降水量预测精度较低的问题,提出了由改进集合经验模态分解方法、最小二乘法、核极限学习机和改进的果蝇优化算法构成的混合模型来对区域年度降水量序列进行预测。首先,通过改进集合经验模态分解方法将非平稳降水量时间序列分解为多个分解项。然后,根据不同分解项的特性分别采用最小二乘法和核极限学习机对其进行预测。由于核极限学习机均存在一定的参数敏感特性,因此提出使用改进的果蝇优化算法来对核极限学习机的相关参数搜索寻优,以提高其预测精度。最后,将各分解项的预测结果叠加,从而形成最终预测结果。以广东省7个地市1951－2015年的年度降水量为例,对所提方法进行了验证,结果表明:相比于自回归移动平均模型和核极限学习机模型,混合模型预测具有更高的预测精度。     

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.     

计及风电-负荷不确定性的风氢低碳能源系统容量优化配置

为提高风电功率的预测精度,提出了一种变分模态分解（variational mode decomposition,VMD）和混合核极限学习机（hybrid kernel extreme learning machine,HKELM）相结合的短期风电功率预测方法。针对VMD和HKELM参数难调问题,以及实现两算法参数的自适应选择,采用麻雀搜索算法（sparrow search algorithm,SSA）对两种算法中的关键参数进行优化。首先,基于3种信号分解指标设计SSA优化VMD的适应度函数,对VMD关键参数进行寻优,利用优化后的VMD将风电功率分解为一组平稳子分量。然后,结合径向基核函数与多项式核函数优点组成混合核函数,对各分量结合气象特征分别建立兼顾学习与泛化能力的HKELM预测模型,并使用SSA对模型参数进行寻优,以充分发挥模型性能。最后,将各分量预测值叠加,得到最终预测结果。以中国内蒙古某风电场实际数据进行仿真实验,结果表明,该方法相比于其他预测方法具有更高的预测精度。

     

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。     

选择性集成核极限学习机建模及其应用研究

针对选择性集成逆向传播神经网络(GASEN-BPNN)模型训练学习速度慢,选择性集成极限学习机(GASEN-ELM)模型建模精度稳定性差等问题,提出一种基于遗传算法的选择性集成核极限学习机(GASEN-KELM)建模方法。该方法首先通过对训练样本进行随机采样获取子模型训练样本;然后采用泛化性、稳定性较佳的核极限学习机(KELM)算法建立候选子模型,通过标准遗传算法工具箱,依据设定阈值按进化策略优化选择最佳子模型;最后通过简单平均加权集成的方式获得最终GASEN-KELM模型。采用标准混凝土抗压强度数据验证了所提出方法的有效性,并与GASEN-BPNN和GASEN-ELM选择性集成算法进行比较,表明所提出方法可以在模型学习速度和建模预测稳定性方面获得较好的均衡。     

基于组合模型的自相似业务流量预测

针对经验模式分解存在的模态混叠问题,提出了一种基于组合模型的自相似业务流量预测方法。首先通过对网络流量进行集合经验模式分解,有效地去除自相似网络流量中存在的长相关性。接着根据分解得到的各本征模态函数分量的不同特性,分别采用人工神经网络与自回归滑动平均模型对其进行预测,最终再将预测结果进行组合。仿真结果表明,提出的方法对于实际网络流量数据具有较高的预测精度。     

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。     

结合期望风险的极限学习机的研究

对极限学习机的模型进行了研究,提出了一种结合期望风险最小化的极限学习机的预测模型。其基本思想是同时考虑结构风险和期望风险,根据期望风险和经验风险之间的关系,将期望风险转换成经验风险,进行最小化期望风险的极限学习机预测模型求解。利用人工数据集和实际数据集进行回归问题的数值实验,并与极限学习机（ELM）和正则极限学习机（RELM）两种算法的性能进行了比较,实验结果表明,所提方法能有效提高了泛化能力。