基于电容层析成像系统测量信号稀疏性的两相流流型辨识

提出了基于电容层析成像(ECT)测量电容信号稀疏性的两相流流型辨识算法,该算法首先使用所有流型对应的归一化测量电容值信号构建一个过完备字典,并将待辨识样本通过该过完备字典进行稀疏表示,使其具有稀疏性并满足稀疏重构的基本要求,然后以压缩感知的正交匹配追踪(OMP)算法求取各标准样本对应于完备样本集的稀疏解,最后根据待辨识样本与标准样本稀疏解之间的线性相关程度进行流型辨识。使用该方法对5种典型的两相流流型识别进行了仿真及实验研究,结果表明:该方法的流型正确识别率均高于98%。     

基于粒子群优化极限学习机及电容层析成像的两相流流型及其参数预测

提出了一种基于粒子群优化极限学习机及电容层析成像的两相流流型辨识及其参数预测方法。首先,通过粒子群优化极限学习机的连接权值,并使用粒子群优化极限学习机算法对4种典型的油-气两相流流型进行辨识;其次,使用粒子群优化极限学习机算法对流型的参数进行预测;最后进行了仿真实验,结果表明,与极限学习机算法相比,粒子群优化极限学习机算法所需隐层节点数更少,流型辨识率更高,其正确辨识率达100%,对4种流型参数预测的最大相对误差为5.24%。     

基于鲁棒正则化极限学习机的电容层析成像图像重建

电容层析成像图像重建是一个非线性及病态性逆问题。基于此,提出了基于迭代重加权最小二乘法的鲁棒正则化极限学习机(RELM-IRLS)算法的电容层析成像图像重建方法,以油/气两相流为研究对象,通过有限元仿真构建随机分布流型,对RELM-IRLS算法完成训练,并与Landweber迭代算法及极限学习机算法进行对比,RELM-IRLS算法的测试集平均误差相比极限学习机算法减小4.6%。仿真及静态实验结果均表明, RELM-IRLS算法所得重建图像质量得到明显提升,且算法具有良好的泛化性能。     

基于梯度投影稀疏重建算法的电容层析成像图像重建

为解决两相流中存在中心物体、物体比较小或存在多个物体且相距较近时电容层析成像(ECT)重建图像精度较差的问题,基于稀疏分布的流型其介电常数分布满足稀疏性的先验条件,采用梯度投影稀疏重建(GPSR-BB)算法进行ECT图像重建。仿真及实验测试结果表明:GPSR-BB算法对于流体中小目标以及复杂流型的图像重建质量较好,重建图像的形状保真度高。     

基于盲辨识模型和极限学习机的下肢假肢路况识别

针对大腿截肢者穿戴智能假肢路况识别准确率低的问题,提出了一种盲辨识理论和极限学习机相结合的路况识别方法。选择肌电信号(EMG)作为路况识别信息源,提取肌电信号的盲辨识模型系数作为信号特征,为了能够充分反映路况特征,比较了不同特征值,分析了选取盲辨识模型系数作为路况识别特征值的合理性。为了克服极限学习机(ELM)分类器随机产生的输入权值只有少部分是比较优越的缺点,利用烟花极限学习机(FA-ELM)对平地行走、上楼、下楼、上坡、下坡、跑步6种路况进行分类。与ELM算法、BP神经网络进行了对比,结果表明,采用盲辨识模型和烟花算法进化极限学习机将6种路况下平均识别率提高到93.18%,优于ELM和BP神经网络等方法。     

两相流流型辨识方法研究

本文提出了一种基于模糊聚类分析和神经网络辨识两相流流型的新方法。该方法首先通过对极板电容测量数据进行聚类分析,然后根据聚类结果和电容值的隶属度,利用神经网络进行流型辨识。仿真结果表明：此方法在两相流流型辨识中具有较高的判别精度和较快的软件运动速度,为两相流流型在线辨识提供了一种有效的手段。     

基于放电过程的机车牵引变流器电容故障预警方法及应用

直流侧支撑电容是牵引变流器的关键部件之一,等效串联电阻（Equivalent Series Resistance,ESR）的大小是判断支撑电容是否失效的重要标准。本文提出一种基于中间回路放电过程的电容ESR辨识方法,通过获取支撑电容的电压电流信号实现ESR辨识,采用K-means算法进行工况划分,自适应获取放电过程的工况数据范围。采用支持向量回归进行ESR辨识,现场电容预警准确率可达91%,验证了该辨识方法的有效性,能够有效实现电容的故障预警。     

电容层析成像系统的仿真与研究

针对电容层析成像系统中的8电极电容传感器,通过电磁场有限元分析软件ANSYS建立了其仿真模型,实现了传感器电容值的快速获取,并分析了传感器的灵敏度特性.在此电容传感器结构下,对层流、核心流、泡流三种典型流型利用RBF神经网络进行了辨识.提出了以层流、核心流、泡流的特征参数作为BP神经网络图像重建的主要依据,实验结果表明利用特征值作为神经网络的输出可以重构出满意的图像.     

基于1D-CNN-AdaBoost及电阻层析成像的两相流流型辨识

基于电阻层析成像(ERT)系统采集的垂直管气液两相流测量数据,将一维卷积神经网络(1D-CNN)与AdaBoost(Adaptive Boosting)相结合,构建1D-CNN-AdaBoost算法,进行了气液两相流流型辩识研究。该算法使用5个1D-CNN作为弱分类器,通过实验数据样本训练,结合AdaBoost形成最终的强分类器。将1D-CNN-AdaBoost算法与BP神经网络、支持向量机及决策树算法进行比较,结果表明,1D-CNN-AdaBoost算法辨识正确率高于其他算法,平均辨识正确率可达97%。     

基于小波包与Elman神经网络的气力提升装置流型识别技术研究

气力提升装置流型对气液流动特性及提升系统性能均有很大的影响,但由于气液两相交界面形态以及截面含气率动态变化、气液两相速度复杂难测等原因,致使提升管流型亦交替变化且不易识别。针对这一难题,提出了基于小波包分析与Elman神经网络的流型辨识策略:利用小波包分析方法提取提升装置压差信号各频带能量特征值,借助Elman神经网络辨识技术,以各频带能量为Elman网络输入变量,以流型为输出变量,通过对Elman神经网络进行大量数据训练。从而对提升系统流型进行辨识。实验结果表明,该方法对流型辨识精度达到了92.6%,比BP网络高6.5%,能有效对提升管流型进行辨识。     

基于改进OS-ELM的冷连轧在线轧制力预报

冷轧轧制力预报结果直接影响板(带)材轧制精度和产品质量。冷轧工艺复杂,参数耦合性强,模型不易建立且与实际偏差较大,针对这些问题,提出一种改进在线序列极限学习机。在初始训练阶段使用量子粒子群算法优化权值和阈值;在线训练阶段根据当前训练数据中隐含层对网络输出的贡献度调节网络的拓扑结构,实现了结构和参数的自组织,并结合极限学习机变形抗力子模型在线预报轧制力。实验结果表明,该自组织在线序列极限学习机在训练速度和精度方面较之人工蜂群优化的反向传播神经网络和基于增强型增量极限学习机有较大的提高。     

KAEA: A Novel Three-Stage Ensemble Model for Software Defect Prediction

Software defect prediction is a research hotspot in the field of software engineering. However, due to the limitations of current machine learning algorithms, we can’t achieve good effect for defect prediction by only using machine learning algorithms. In previous studies, some researchers used extreme learning machine (ELM) to conduct defect prediction. However, the initial weights and biases of the ELM are determined randomly, which reduces the prediction performance of ELM. Motivated by the idea of search based software engineering, we propose a novel software defect prediction model named KAEA based on kernel principal component analysis (KPCA), adaptive genetic algorithm, extreme learning machine and Adaboost algorithm, which has three main advantages: (1) KPCA can extract optimal representative features by leveraging a nonlinear mapping function; (2) We leverage adaptive genetic algorithm to optimize the initial weights and biases of ELM, so as to improve the generalization ability and prediction capacity of ELM; (3) We use the Adaboost algorithm to integrate multiple ELM basic predictors optimized by adaptive genetic algorithm into a strong predictor, which can further improve the effect of defect prediction. To effectively evaluate the performance of KAEA, we use eleven datasets from large open source projects, and compare the KAEA with four machine learning basic classifiers, ELM and its three variants. The experimental results show that KAEA is superior to these baseline models in most cases.     

经验模态分解和空间滤波在两相流速度测量中的应用

在利用空间滤波和电容传感器测量两相流速度时,需要准确测量电容传感器输出信号的带宽.针对此问题提出一种利用经验模态分解算法来测量传感器带宽的方法.文章首先介绍电容传感器的空间滤波效应和经验模态分解的基本原理,并给出固体速度和电容传感器输出信号带宽之间的关系.然后将经验模态分解和平滑滤波器结合对测量信号进行平滑处理,测量处...     

基于最大相关熵准则的多尺度高斯核极端学习机

针对传统的多尺度核极端学习机对噪声敏感且计算量大的问题,提出一种适用于高斯噪声环境的多尺度核极端学习机.首先,利用最大相关熵准则代替多尺度核极端学习机中传统的最小均方差准则构造目标函数;其次,将1种按训练样本数随机生成尺度因子的多尺度化方法应用于高斯核函数;最后引入拉格朗日乘子法对目标函数进行求解,推导出基于最大相关熵...     

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。