基于FCM和SSA–ELM的超短期风功率预测

针对风电输出功率波动大、随机性强等特征引起风功率难以预测的问题,提出了基于模糊C均值聚类(Fuzzy C-Means,FCM)选取相似日和樽海鞘群算法优化极限学习机（SSA-ELM）的风电场超短期风功率预测模型。首先,采用FCM数据聚类方法,筛选出与预测日相关性较大的历史相似日,将其风速、温度、风向、气压等影响风功率的主要因素组成多输入样本集合;其次,通过训练集在训练过程中确定的网络参数,利用樽海鞘群算法在迭代过程中的充分探索和开发,优化极限学习机的输入权值矩阵及隐含层偏差值,建立樽海鞘群算法优化极限学习机的超短期风功率预测模型;最后,根据超短期风电并网的相关规定,针对河南省某风电场的实际数据,分别从基于相似日超短期预测、具有代表性的四季预测和滚动误差三方面进行仿真实验,与传统极限学习机（ELM）和BP神经网络模型进行对比分析,结果表明本文提出的模型收敛速度快,预测精度较高。证明了基于FCM和SSA-ELM的超短期风功率预测模型具有良好的追踪性和泛化性。     

基于ikPCA-FABAS-KELM的短期风电功率预测

为了增强在短期风电功率预测领域中传统数据驱动机器学习模型的精度,提出基于ikPCA-FABAS-KELM的短期风电功率预测模型.首先,对主成分分析进行改进,提出可逆核主成分分析(ikPCA),在保证数据特征的同时,降低输入数据的复杂度,以提升模型运行速度;其次,引入萤火虫个体吸引策略对天牛须算法(BAS)进行改进,提出FABAS算法;最后,利用FABAS算法对核极限学习机(KELM)的正则化参数C和核参数γ进行寻优,降低人为因素对模型盲目训练的影响,提高模型预测精度.仿真结果显示,提出的预测模型有效提高了传统模型的预测精度.     

基于优化极限学习机的CVD预测模型研究

利用机器学习算法,改变传统心血管疾病(CVD)预测模型的严格数理化公式,以增加危险因素的纳入、降低数据格式的要求.首先提出利用基于单隐层前馈神经网络(SLFNs)的极限学习机(ELM)算法建立CVD预测模型;进一步通过五阶段连续变异方式建立增强领导粒子的粒子群算法(ELPSO),以粒子群(PSO)算法的优化策略,对SLFNs的隐层单元参数进行优化.通过对UCI数据库Statlog (heart)数据集和heart disease database分析结果显示,所提ELPSO-ELM模型测试正确率分别达到85. 71%、84. 00%,AUC(ROC曲线下面积)分别达到0. 902 4、0. 842 3,高于传统CVD预测模型,同时放松了数据线性化约束,能纳入更多的复杂危险因素.     

基于PCA改进的LS—SVM公路旅游客流量预测模型

公路交通旅游客流量的影响因素众多,加大了预测模型输入变量的复杂性,降低了模型的运行速度和预测精确．首先,利用主成分分析对公路旅游客流量影响指标进行综合分析,得到主成分即输入变量,然后建立以主成分为输入变量,以客流量为输出变量的最小二乘支持向量机预测模型．通过实例验证和比较,展示了基于主成分分析改进的最小二乘支持向量机公路交通旅游客流量预测模型,具有较好的预测效果和较高的应用价值．     

基于PSO优化极限学习机神经网络的空气质量预报

为了提高空气质量预测精度,提出一种基于粒子群算法优化极限学习机的空气质量预测模型.运用粒子群算法优化极限学习机的初始权值和偏置,在保证预测误差最小的情况下实现空气质量最优预测.选择平均绝对百分比误差、均方根误差和平均绝对误差作为评价指标,通过PSO-ELM、GA-ELM、SOA-ELM、DE-ELM和ELM五个模型预测结果对比发现,PSO-ELM可以有效提高空气质量预报的预测精度,可为空气质量预测提供新的方法和途径.     

基于量子粒子群优化极限学习机的频谱感知算法

针对无线信道环境中低信噪比情况下主用户信号检测率较低的问题,提出了一种基于量子粒子群优化极限学习机(E L M)算法的认知无线电网络频谱感知方法.针对极限学习机算法的特点通过量子粒子群算法(Q P S O)优化极限学习机参数,并构建引入结构风险思想的QPSO-ELM模型,降低算法的经验风险提高模型的泛化能力,提高算法的频谱感知性能.仿真实验表明,与人工神经网络(A N N)、支持向量机(S V M)和极限学习机(E L M)三种机器学习算法,在信噪比为-15 dB时的频谱感知性能进行比较,分别提高了16％、28％、9％,仿真证明所提算法在低信噪比情况下具有较高的性能,可有效地实现对主用户信号的频谱感知.     

基于SOA-ELM的手部动作识别方法实验研究

为提高人体手部动作识别率,利用搜寻者优化算法(SOA)的全局搜索最优解原理和极限学习机(ELM)处理非线性关系的能力,提出一种基于搜寻者优化算法优化极限学习机(SOA-ELM)的手部动作识别方法。首先,采集内翻、外翻、握拳、展拳等4种手部动作的表面肌电信号,提取4种表面肌电信号的积分肌电值和均方根值,将其作为特征值;然后,利用这些特征值对ELM进行训练,采用SOA搜寻ELM的最优输入层权值和隐含层节点阈值;最后,采用经SOA优化的ELM对4种手部动作进行识别。实验结果表明,SOA-ELM比粒子群优化极限学习机(PSO-ELM)能更有效地对4种手部动作进行识别。     

基于改进PSO的神经网络短期电力负荷预测模型

针对短期电力负荷预测问题,提出了一种基于改进粒子群算法(PSO)的BP神经网络预测模型.选取与电力负荷大小密切相关的季节、天气情况、当天最高温度、当天最低温度、日期性质、上年同期历史数据为神经网络的输入变量,电力负荷大小为输出变量,建立基于BP神经网络的电力负荷预测模型,同时利用改进的粒子群算法对神经网络进行训练.该训练算法具有较高的精度,能够建立较精确的短期电力负荷测量模型.仿真结果表明,基于改进粒子群算法的BP神经网络电力负荷预测模型预测精度较高,具有一定的应用价值.     

基于KPCA-WLSSVM的建筑能耗预测模型

为降低建筑能耗影响因素间复杂相关性对模型性能的影响,建立了一种基于KPCA-WLSSVM的建筑能耗预测模型。利用核主元分析(KPCA)对输入变量进行数据压缩,消除变量之间的相关性,简化模型结构;进一步采用加权最小二乘支持向量机(WLSSVM)方法建立建筑能耗预测模型,同时结合一种新型混沌粒子群-模拟退火混合优化(CPSO-SA)算法对模型参数进行优化,以提高模型的预测性能及泛化能力。通过将KPCA-WLSSVM模型方法应用于某办公建筑能耗的预测中,并与WLSSVM、LSSVM及RBFNN模型相比,实验结果表明,KPCA-WLSSVM模型方法能有效提高建筑能耗预测精度。     

基于粒子群神经网络的煤层瓦斯含量预测

针对BP神经网络在煤层瓦斯含量预测中的局限性,如收敛速度慢和可靠性差等缺点,根据煤层瓦斯含量与其影响因素之间相互作用和耦合的特点,建立了粒子群算法和BP神经网络相结合的煤层瓦斯预测模型.在采用BP网络对煤层瓦斯含量进行预测的基础上,采用粒子群算法优化隐含层神经元个数和网络中的连接权值,并根据现场的实测数据,提出了粒子群神经网络训练和检验样本集,对预测模型进行训练和检验.仿真结果表明,该预测模型加快了网络收敛的速度,克服了易陷入局部极小的问题,具有可靠性强和预测精度高等特点.     

基于GAELM神经网络的日前电价预测

针对日前电价预测问题,利用极限学习机建立预测模型.鉴于极限学习机在训练前随机产生输入权重和隐藏节点偏置,可能导致预测结果不稳定以及预测精度太低的问题,提出了一种基于遗传算法(GA)和极限学习机(ELM)的预测方法.首先利用遗传算法对极限学习机随机生成的参数进行寻优,然后根据优化后的参数建立基于GA-ELM的电价预测模型.最后以此模型对PJM电力市场的日前电价进行预测.结果表明,相比ELM和BP神经网络,GA-ELM具有更高的预测精度.     

基于极限学习机的分类算法及在故障识别中的应用

利用极限学习机(ELM)分类器的结构特点重新设计面向多分类任务的ELM分类器,提出基于ELM的优化分类算法One-Class-PCA-ELM.该算法的实现过程如下:对故障数据进行主元分析(PCA)处理,降低数据维数,去除噪声与冗余信息;将训练数据集按类分割,建立各类对应的单分类模型,整合得到One-Class-PCA-ELM分类模型;将待分类数据输入One-Class-PCA-ELM分类模型,得到待分类数据的类标号,完成分类.仿真实验结果表明,该算法保持了极限学习机极快的训练速度,具有较高的分类准确率及较理想的分类稳定性.     

区域经济预测的GPCA和优化小波网络组合模型研究

构建全局主成分分析（GPCA）和优化小波神经网络的组合模型,对中国区域经济发展水平进行预测.首先借助GPCA获得区域经济发展水平的全局主成分分值、综合评价值,作为优化小波网络的输入、目标输出;然后构建遗传-粒子群算法优化的小波网络预测模型.通过仿真,得到较满意的结果,表明区域经济水平预测的组合模型是有效和实用的.     

基于R-OSELM的海洋环境数据在线预测

为及时辨识海洋环境的变化趋势和降低长期累积的海洋环境数据对预测模型的影响,提出一种基于循环在线顺序极限学习机(Recurrent Online Sequential Extreme Learning Machine R-OSELM)的海洋环境数据在线预测模型.采用完全在线的方法初始化海洋环境数据训练集,通过在线顺序极限学习机算法对已有的海洋环境数据进行逐块输入,利用极限学习机的自动编码技术与一种归一化方法对输入权重循环处理,实现预测模型的在线更新,最后完成对海洋环境数据的在线预测.使用该模型对溶解氧、叶绿素a、浊度、蓝绿藻进行预测,结果表明R-OSELM模型的预测精度高于对比模型,确定其具备海洋环境数据在线预测能力,可为海洋水域水体富营养化与海洋环境污染预警提供参考.     

基于QPSO优化ELM算法的井下快速定位方法研究

近年来,基于WiFi的井下人员定位算法受到了广泛关注,为进一步提高定位算法的速度和精度,提出了一种基于量子粒子群(QPSO)优化极限学习机(ELM)算法的井下人员快速定位方法。首先将优化的K均值聚类算法(K-means)引入定位流程,通过对位置指纹库进行聚类划分,降低单次识别需要的时间;其次利用QPSO算法优越的优化能力,提高ELM算法的定位精度,最终实现对井下人员的高效、准确定位。仿真实验结果表明,提出的基于量子粒子群优化极限学习机的井下快速定位方法,能够提高定位的精度和效率,具有较高的实用价值和工程意义。     

基于改进型主元分析和SVR的煤矿瓦斯涌出量预测

针对传统的主元分析存在的缺点和样本的特征,结合煤层瓦斯涌出影响因素,建立了基于权重的改进型主元分析和支持向量回归机的煤层瓦斯涌出量的预测模型.首先,采用改进型主元分析法对影响瓦斯涌出量的指标分析处理得到主成分即输入变量,然后建立以主要成分为输入变量,以瓦斯涌出量为输出变量的基于支持向量回归机的预测模型.实验表明,该模型能够消除输入变量间相关性,减少输入变量个数,有效解决样本少、模型复杂的问题,并且提高了预测精度.     

基于小波分析与PSO-ELM的语音端点检测算法研究

为了提高语音端点检测算法在低信噪比和复杂环境下的检测速度和检测准确度,本文提出了小波分析技术(WA)和粒子群算法(PSO)优化的极限学习机(ELM)相结合的方法.依据小波变换及多分辨率分析原理,提取每帧语音信号特征量,输入ELM神经网络.采用PSO算法选择ELM最优的输入权值和隐含层偏差,进而得到预测结果.通过Matlab仿真可见,与传统端点检测算法和神经网络算法相比,该方法以最简化的网络结构获得了20%以上的速度提升和更加理想的检测准确度.     

相同构造区新型产量预测方法研究

基于主成分分析与神经网络方法,以焦页AHF井、BHF井为例,在不减少变量信息的情况下利用降维的思路将多个影响变量转化为少数综合变量,通过神经网络气井产量预测模型对输入集进行反复训练,得到输出变量。实验结果表明:该气井产量预测模型一致性较好,具有较高的精度,可以利用此方法进行初期产量预测。     

基于KPCA-WOA-KELM的岩爆烈度预测

岩爆是隧道开挖中常见的工程地质灾害,为准确预测岩爆烈度,提出基于KPCA-WOA-KELM的岩爆烈度预测模型.首先,根据岩爆烈度影响因素确定岩爆评判指标,并采用核主成分分析(KPCA)对岩爆数据做特征提取,简化模型输入参数的同时充分保留数据特征信息;其次,使用核极限学习机(KELM)拟合评判指标与岩爆烈度间的非线性映射...     

基于改进粒子群算法优化SVM的变压器故障诊断

为提高变压器的运行可靠性,提出一种基于核主成分分析（kernel principal component analysis,KPCA）和改进粒子群优化（improved particle swarm optimization,IPSO）算法优化支持向量机（support vector machines, SVM）参数的变压器故障诊断方法。首先建立变压器状态评估的基础指标体系,并采用KPCA对基础指标进行关键参量的提取,得到降维后的评价指标,然后将其输入SVM训练诊断模型,最后采用IPSO对SVM进行参数优化。仿真结果表明,该方法对变压器故障诊断的准确率达到95.42%,相比KPCA-PSO-SVM以及KPCA-SVM诊断模型,准确率有显著提升。