基于多核学习极限学习机的助行机器人运动相容性识别

下肢外骨骼作为一种可穿戴设备可以保护人体、增强人体的力量、激发人体的自我修复能力,已经在康复领域广泛使用。由于外骨骼机器人实际运动意图与期望运动意图存在一定差异(即运动不相容),容易造成穿戴者不舒适。为了提高运动相容性识别的准确率,本文针对步幅过大、步幅过小、步幅相容采用多核学习极限学习机(ELM)的方法进行了识别。表面肌电信号(sEMG)包含了大量的步态信息,能够很好地应用于运动相容性的识别,首先从时域、频域、时频域等角度提取了表面肌电信号特征,然后利用灰狼算法优化极限学习机核函数参数,最后用多核极限学习机理论,获得最优的分类模型。实验结果表明,基于多核学习极限学习机的助行机器人运动相容性识别准确率较单核极限学习机有明显提高。     

基于VPMELM的滚动轴承劣化状态辨识方法

针对变量预测模型模式识别方法(VPMCD)仅仅包含几种简单数学模型的问题,所建立的预测模型不足以反映特征值之间的复杂关系;极限学习机(ELM)回归模型是一种复杂且被广泛应用的模型,其模型可以反映特征之间的相互关系。结合极限学习机回归模型和VPMCD方法的优点,提出了一种基于极限学习机的变量预测模型(VPMELM)模式识别方法,并将该方法应用于滚动轴承劣化状态实验中。实验表明,基于VPMELM的辨识方法可以有效地对滚动轴承的劣化状态进行识别。     

基于人工鱼群算法-极限学习机的多手势精准识别

手势作为人机交互的重要方式,因灵活性与便捷性强,已成为控制领域的研究重点。针对上肢康复机器人手势识别技术存在的不足,结合特征组合与滑动窗口法,提出一种基于人工鱼群算法（artificial fish swarm algorithm,AFSA）优化的极限学习机（extreme learning machine,ELM）的多手势精准识别方法,以提高手势识别的准确率。首先,运用表面肌电测量系统采集人体常用的8种手势对应的表面肌电信号（surface electromyography,SEMG）,作为后续分类模型的信号源,并运用去噪技术与起止点检测技术对SEMG进行预处理;然后,选取通过主成分分析（principal components analysis,PCA）降维处理后的最优特征组合与最优滑动窗口;接着,采用AFSA搜寻ELM的最优输入权值和隐含阈值,以提高其分类准确率;最后,对AFSA优化的ELM（AFSA-ELM）分类模型、反向传播（back propagation,BP）神经网络分类模型和未优化的ELM分类模型进行比较,以验证所提出方法的精准性。实验结果表明,结合最优特征组合与最优滑动窗口设计的AFSA-ELM分类模型对多种手势的平均识别准确率高达97.4%,比BP神经网络分类模型和未优化的ELM分类模型分别高3.5%和1.6%,验证了所提出方法的识别精准性。研究结果可为手势识别提供新思路,进而为人体上肢动作的深度分析和上肢康复机器人手势识别算法的优化提供理论基础和参考。     

ELM在航空铅酸蓄电池容量检测中的应用

针对传统BP神经网络训练速度慢、参数选择难、易陷入局部极值等缺点,提出基于极限学习机(ELM)的航空铅酸蓄电池容量检测模型。极限学习机是一种新的单隐层前馈神经网络(SLFNs)学习算法,不但可以简化参数选择过程,而且可以提高网络的训练速度。在确定最优参数的基础上,建立ELM的航空铅酸蓄电池容量检测模型。实验结果表明:LM获得较高的分类准确率和较快的训练速度,从而验证ELM用于航空铅酸蓄电池容量检测模型的可行性和有效性。     

一种黄金分割优化的极限学习机算法

针对极限学习机(ELM)存在大量隐层神经元个数和随机给定权值导致算法性能不稳定等问题,将黄金分割法(Golden Section)与ELM相结合提出了基于黄金分割优化的极限学习机算法(GS-ELM).首先通过黄金分割法对ELM隐含层节点数进行优化,接着再用该方法对ELM输入层权值和隐含层偏差进行优化.实验结果表明,相比较传统的BP神经网络,支持向量机和极限学习机,GS-ELM算法能获得较高的分类精度.     

基于ICEEMDAN-ELM的管道声信号识别方法研究

针对管道声信号的非平稳性和数据处理的多尺度问题,提出一种基于改进型自适应噪声的完全集合经验模态分解(ICEEMDAN)和极限学习机(ELM)相结合的管道脉冲声信号特征识别方法。首先模拟不同状态下的管道运行工况,采集管道在不同运行状态下的脉冲响应声信号并经过ICEEMDAN分解得到若干个不同特征尺度的固有模态函数(IMF)分量;综合相关系数和方差贡献率作为相关判据,筛选出表征管道阻塞信息的IMF分量,选取声压级作为管道运行状态的特征值构造特征向量,最后,通过极限学习机(ELM)对管道阻塞状态进行分类。研究结果表明,该方法可以很好描述管道状态信息,相比于支持向量机(SVM)与BP神经网络计算精度更高,计算时间更短。     

基于MO-PLP-ELM及电容层析成像的两相流流型辨识

提出一种基于多目标优化并行感知器的极限学习机(MO-PLP-ELM)及电容层析成像(ECT)技术的两相流流型辨识算法.首先,为保证样本具有代表性,采用随机思想生成7类流型的训练及测试样本集;其次,对样本模型的电容数据归一化处理;最后,采用MO-PLP-ELM算法进行流型辨识,并与常用的BP神经网络、支持向量机、极限学习...     

排列熵与核极限学习机在齿轮故障诊断中的应用

针对齿轮故障难提取和极限学习机(extreme learning machine,ELM)隐层节点数需要人为设定,致使齿轮故障分类模型准确度低、稳定性差的问题,提出基于核极限学习机(kernel extreme learning machine,K-ELM)的齿轮故障诊断方法。首先,将测得信号经经验模态分解(empirical mode decomposition,EMD)处理后得到一系列IMF本征模式分量,并提取各分量的排列熵(permutation entropy,PE)值组成高维特征向量集;然后利用高斯核函数的内积表达ELM输出函数,从而自适应确定隐层节点数;最后,将所得高维特征向量集作为K-ELM算法的输入建立核函数极限学习机齿轮故障分类模型,进行齿轮不同故障状态的分类辨识。实验结果表明:与SVM、ELM故障分类模型相比,核函数ELM滚动齿轮故障诊断分类模型具有更高的准确度和稳定性。     

极限学习机在图像隐写分析中的应用

为了有效提高图像隐写分析的检测正确率和速度,特结合单隐层前馈神经网络(SLFN)的特点,提出了一种基于极限学习机(ELM)的隐写分析方法.该方法首先根据Fridrich提出的多域特征提取算法从图像DCT域和空域中提取特征;得到193维原始特征;然后使用"主成份分析"法将其约简至18维;最后采用极限学习机作为分类方法构造隐写分析算法.实验表明,与目前隐写分析算法中广泛使用的支持向量机(SVM)相比,极限学习机参数调节少,学习速度快,以较少的隐层节点数取得了与SVM相似的检测正确率,能够实现针对各类JPEG图像隐写算法的有效检测.     

一种粒子群RELM的基因表达数据分类方法

正则极限学习机(regularized extreme learning machine,RELM)具有比极限学习机(extreme learning machine,ELM)更好的泛化能力.然而RELM的输入层权值、隐含层偏差是随机给定的,会影响RELM的稳定性.另外,RELM为了获得较理想的分类精度,仍需设置较多的隐层节点.针对此问题,通过分析粒子群优化算法(particle swarm optimization,PSO)的原理,把RELM初始产生的输入层权值、隐含层偏差作为粒子带入PSO进行寻优.通过在Breast和Brain数据集上进行多次10折交叉验证表明,粒子群改进正则极限学习机(PSO-RELM)可以在隐层节点设置较少时获得比BP神经网络(back propagation,BP)、支持向量机(support vector machine,SVM)、RELM更好的分类精度和更佳的稳定性.     

基于共生生物搜索算法的汽轮机最优初压研究

为了找到汽轮机在不同负荷下的最优初压,利用改进的共生生物搜索(FSOS)算法和极限学习机(ELM)建立热耗率预测模型,并与BP神经网络、共生生物搜索(SOS)算法优化ELM和FSOS算法优化支持向量机(SVM)等进行了比较。然后,在该模型的基础上用FSOS算法对主蒸汽压力和主蒸汽流量进行优化,使其在各负荷下的热耗率最低。最后,通过优化后的主蒸汽压力拟合出一条最优初压曲线,并与厂家设计的滑压运行曲线进行对比。结果表明:按照最优初压曲线运行,热耗率平均下降约58.51 kJ·(kW· h)^-1,提高了机组能量的转换效率,对汽轮机经济运行有着显著的效果。     

基于ELM的非侵入式电力负荷识别算法

电力负荷识别是需求侧管理的重要环节,为解决传统侵入式负荷监测高成本、不易安装维护的问题,以非侵入式负荷监测为背景研究电力负荷识别算法。从负荷特性出发,针对各电力负荷的暂态及稳态电气特性,提取并建立负荷特征标签。然后,采用极限学习机(ELM)神经网络模型,将输入特征非线性地映射到输入层,实现快速收敛至全局最优点。采用基于累积和(CUSUM)的双边事件检测方法,实现快速准确地检测出负荷投切事件,实时触发负荷识别。最终,以4种常用电力负荷进行实验,结果表明,所提出的负荷识别算法可准确识别出负荷类型,运算效率高,且适用于组合负荷识别。     

基于WOA-ELM的锂离子电池剩余寿命间接预测

针对标准极限学习机在预测锂离子电池寿命方面算法不稳定以及使用电池容量作为健康因子不易直接测量的问题,提出一种基于等压降放电时间的鲸鱼优化算法(whale optimization algorithm,WOA)优化极限学习机(extreme learning machine,ELM)的锂电池剩余寿命间接预测的方法.首先提...     

基于排气噪声的柴油机气阀故障诊断

通过对柴油机气阀机构七种状态下的排气噪声信号建立AR模型,以AR模型的自回归参数作为故障识别的特征向量,建立基于极限学习机的柴油机气阀故障诊断模型,并与反向传播神经网络算法、径向基网络算法和基于支持向量机的诊断模型相比较。试验结果表明,排气噪声信号可用于柴油机气阀故障的诊断,且基于极限学习机的诊断模型与其他三种算法的分类正确率均可达到95 %以上,但在学习速度上,极限学习机具有明显的优势。     

变分模态分解在自动机故障诊断中的应用

由于自动机工作环境复杂、各种响应信号相互叠加,为准确、高效地提取自动机信号的故障特征,提出一种应用变分模态分解(VMD)和极限学习机(ELM)的自动机故障诊断方法。首先对自动机信号进行变分模态分解,并与经验模态分解(EMD)结果进行对比;同时提取各模态分量的能量百分比和各工况下不同样本的样本熵作为特征值;将提取到的特征值输入到极限学习机中进行故障诊断,再与传统的双谱分析诊断结果进行比较。最终VMD方法实现信号频域内各分量的自适应剖分,并得出ELM的故障诊断准确率为87.5%。实验结果表明:变分模态分解能够有效避免模态混叠现象,同时验证所提方法的可行性与有效性。     

基于极限学习机的风电机组叶根载荷辨识建模

针对风机系统载荷种类多、非线性、强耦合,根据传统的机理建模方法建立叶根载荷模型复杂、运算量大难以用于实时控制的问题,提出基于极限学习机(ELM)的叶根载荷神经网络预测模型。对影响叶根载荷的因素进行了分析,并结合主元分析方法确定模型的输入,利用美国可再生能源实验室(NREL)数据建立训练集和测试集,对5 MW风机的叶根载荷进行辨识建模和预测,并与用支持向量机(SVM)建立的叶根载荷模型进行比较,结果表明ELM模型的训练速度快、预测精度高,验证了所提方法的可行性和有效性。     

基于小波分解和极限学习机的柔性PVC基材损伤识别研究

针对柔性天线在恶劣机载环境下基底材料容易出现孔洞、裂纹损伤等情况,提出采用兰姆波检测技术进行柔性聚氯乙烯(PVC)基材结构中的损伤探测和识别。该损伤识别方法是将小波分解和极限学习机相结合,对回波信号进行小波阈值去噪和损伤特征提取,从时域、频域和变换域3个层次构建出回波信号的特征向量,训练、测试分类出无损伤、孔洞、槽形损伤类型。搭建了基于兰姆波的柔性PVC基材损伤检测试验平台进行验证,结果表明：柔性基底上的无损伤、孔洞、槽形损伤回波信号经小波阈值去噪、分解后,提取出特征向量,得到的低频缓变回波重构信号特征明显;采用ELM模型进行训练和测试分类出损伤类型,分类精度达到92.56%,与BP神经网络分类方法作对比,ELM分类方法具有较好的分类性能,从而验证了小波分解和极限学习机相结合来识别柔性PVC基材损伤特征的有效性。此检测方法在柔性电子器件早期损伤的现场快速检测领域具有广泛的应用前景。     

VMD能量熵与核极限学习机在滚动轴承故障诊断中的应用

针对滚动轴承信号的不规则特性,致使信号故障特征难提取及难以辨识,为实现滚动轴承故障的智能诊断,提出基于VMD能量熵与核极限学习机(kernel extreme learning machine,K-ELM)的滚动轴承故障诊断方法。首先将测得振动信号进行变分模态分解(variational mode decomposition,VMD),利用能量熵进一步提取各模态特征组成高维特征向量集;然后将构建的特征向量作为K-ELM算法的输入,通过训练建立K-ELM滚动轴承故障分类模型。实验结果表明:VMD能够很好地分解轴承振动信号,且K-ELM滚动轴承故障分类模型比SVM、ELM故障分类模型具有更高的精度、更强的稳定性。     

一种基于肌电信号的踝关节动作预测方法的研究

进行了使用肌电信号预测关节动作的研究,提出了一种基于肌电信号的预测踝关节动作的方法。首先,选取与踝关节动作相关的5块肌肉(胫骨前肌、腓肠内肌、腓肠外肌、腓骨长肌和比目鱼肌)以及踝关节角作为研究对象,采集这5块肌肉的肌电信号和踝关节角信号,并进行特征提取和归一化处理。然后,建立了一个四层前向神经网络模型,使用误差逆向传播(BP)算法进行训练。最后,神经网络预测输出值经过六层小波去噪处理。实验中,9名志愿者的踝关节在矢状面内做有规律的背屈和跖屈动作,采集踝关节角和上述5块肌肉表面肌电信号,然后用上述方法预测踝关节动作,用相关系数评价预测的效果。实验结果显示,所提出的方法可以准确预测踝关节动作。     

运动意图诱发脑电预备响应信号的特征识别

针对预备响应脑电信号(EEG)所包含的运动意图进行提取与识别，对于真实运动前准备电位进行解码。利用共空间模式(CSP)和极限学习机(ELM)解决大脑运动准备诱发特征识别。实验结果表明：该方法能够高效区分左右手真实运动前的准备电位，对脑机接口(BCI)大赛运动执行前的准备诱发脑电数据平均识别正确率可达85.7%。在解码问题上，预备电位与运动想象(MI)脑电信号相比，节省了意识产生到动作执行这一段时间，提高操作任务执行的响应效率，为实现基于运动意图的高效脑机交互提供理论依据和技术支持。