头戴式视线跟踪系统的一点标定方法

标定方法是视线跟踪技术中的关键环节,直接影响跟踪精度和用户体验。目前头戴式跟踪系统所使用标定方法,需要多个标定点进行标定。为更快、更方便地进行标定,提出一种方法,只需一个标定点,便可提取足够的标定信息完成标定过程。该方法可适用于目前的多种映射方法,如DLT方法、多项式方法、神经网络方法等,标定时间仅需10 s,精度可达1°,与多点标定相比,效率显著提高,而精度无明显差异。此外,使用一种新的神经网络模型:ELM(极端学习机)实现了神经网络标定方法,ELM的快速学习性能,显著缩短了神经网络训练时间。     

基于ASOS-ELM的湿式球磨机负荷软测量方法

针对湿式球磨机在磨矿过程中内部负荷靠专家经验难以准确预测的问题,提出一种基于改进的共生生物搜索(ameliorated symbiotic organisms search,简称ASOS)-极限学习机(extreme learning machine,简称ELM)的磨机负荷软测量方法。首先,利用ELM算法建立磨机负荷软测量模型,运用ASOS算法优化软测量模型的隐含层参数;其次,以筒体振动与振声信号的特征信息构建磨机负荷特征向量,并将其作为软测量模型的输入,将磨机负荷参数作为输出;最后,通过磨矿负荷检测实验和对比分析表明,磨机负荷软测量模型的负荷参数预测准确率较高,泛化能力较强,为磨机磨矿效率的提高及控制优化提供了有益的指导。     

科幻小说科学传播影响力提升的AMO 分析

随着互联网、手机的普及,搜索引擎以及基于搜索的互动式知识问答分享平台等自媒体应用,人们获取科学信息的能力与速度有了大幅提高。传统强调科学信息传播的“科学普及”,逐渐被强调从受众出发的“科学传播”所替代,后者更加注重传播过程的趣味性、情节性和传播效果的影响力。科幻小说在传播科学思想、科学观念、科学精神以及科学方法与知识方面,尤其符合自媒体时代的传播特征,显现出其他通俗科普读物难以匹及的科普功效。本文从传播学的角度出发,拟借助说服传播的精细加工可能性模型（ELM）,将其中的AMO （能力、动机、机会）三因素作为分析视角,对科幻小说科学传播影响力的提升提出了分众化、娱乐化、多媒体化的传播策略。     

Implementation of an efficient extreme learning machine for node localization in unmanned aerial vehicle assisted wireless sensor networks

Accurate node localization in wireless sensor networks (WSNs) is an essential for many networking protocols like clustering, routing, and network map building. The classical localization techniques such as multilateration and optimization‐based least square localization (OLSL) techniques estimate position of unknown node (UN) from the distance measured between all anchor nodes (ANs) and UNs. On the other hand, node localization using fixed terrestrial ANs suffers from poor localization accuracy because the ground to ground (GG) channel link is not reliable. By contrast, the mobile anchor deployed in unmanned aerial vehicle (UAV) provides high localization accuracy through reliable air to ground (AG) channel link. Still, the nonlinear distortion introduced in the wireless channel makes the distance measurement noisy. This noisy distance measurement also limits localization accuracy of classical localization techniques. Hence, the highly nonlinear artificial neural network (ANN) models such as multilayer perceptron (MLP) models can be applied effectively for node localization in UAV‐assisted WSNs. However, the MLP suffers from slow training speed, which limits its usage in real‐time applications. So, the extreme learning machine (ELM) is found to be a better alternative because it works on empirical error minimization theory, and its learning process requires only a single iteration. The detailed simulation analysis supports the proposed ELM localization scheme in terms of both localization accuracy and computational complexity.     

基于改进的GA-ELM煤与瓦斯突出预测模型

为准确、快速地预测煤与瓦斯突出,提出了一种基于因子分析和遗传算法(GA)优化极限学习机(ELM)的煤与瓦斯突出危险性预测模型。构建10种影响因素的煤与瓦斯突出评价指标体系,采用因子分析法对评价指标体系进行分析提取,将提取出的5个公因子作为ELM的输入参数,为避免ELM输入权值和隐含层偏差随机性的影响,应用GA对ELM模型参数进行优化,构建GA-ELM模型,选取20组实例进行仿真预测,同时与传统单一的ELM、SVM和BP模型进行对比分析。结果表明:基于改进的GA-ELM模型能有效降低数据冗余、简化网络结构和提高判别精度,提出将其运用到煤与瓦斯突出的预测与实际结果具有很好的一致性。     

一种基于BOA-SAE-EELM的光伏阵列故障诊断方法

光伏阵列非线性输出的特性以及最大功率点跟踪算法,会影响光伏阵列保护设备的工作.为了正确辨识光伏阵列的运行状态,本研究提出一种基于贝叶斯优化算法(BOA)、堆栈自动编码器(SAE)以及集成极限学习机(EELM)相结合的故障诊断方法.首先,将光伏阵列的时序波形进行标准化处理;接着,使用SAE对标准化后的时序波形进行特征自动...     

Equilibrium on line method (ELM) for imposition of Neumann boundary conditions in the finite point method (FPM)

Equilibrium on line method (ELM) for imposition of Neumann boundary conditions in the finite point method (FPM) is presented. In contrary to weak‐form‐based methods, strong‐form‐based methods such as the FPM are often unstable and less accurate, especially for problems governed by partial differential equations with Neumann (derivative) boundary conditions. In this paper, a truly meshless approach for imposition of Neumann boundary conditions in the FPM is proposed and adopted for 2D elasticity analyses. In the proposed method, equilibrium on lines on the Neumann boundary conditions is satisfied as Neumann boundary condition equations. Numerical studies show that this method for imposition of Neumann boundary is simple to implement and computationally efficient and also leads to more stable and accurate results. Copyright © 2006 John Wiley & Sons, Ltd.     

融合累积变异比和集成超限学习机的高光谱图像分类

目的 高光谱图像具有高维度的光谱结构,而且邻近波段之间往往存在大量冗余信息,导致在随机样本选择策略和图像分类过程中出现选择波段算法复杂度较高和不适合小样本的现象。针对该问题,在集成学习算法的基础上,考虑不同波段在高光谱图像分类过程中的作用不同,提出一种融合累积变异比和超限学习机的高光谱图像分类算法。方法 定义波段的累积变异比函数来确定各波段在分类算法的贡献程度。基于累积变异比函数剔除低效波段,并结合空谱特征进行平均分组加权随机选择策略进行数据降维。为了进一步提高算法的泛化能力,对降维后提取的空谱特征进行多次样本重采样,训练得到多个超限学习机弱分类器,再将多个弱分类器的结果通过投票表决法得到最后的分类结果。结果 实验使用Indian Pines、Pavia University scene和Salinas这3种典型的高光谱图像作为实验标准数据集,采用支持向量机（support vector machine,SVM）,超限学习机（extreme learning machine,ELM）,基于二进制多层Gabor超限学习机（ELM with Gabor,GELM）,核函数超限学习机（ELM with kernel,KELM）,GELM-CK（GELM with composite kernel）,KELM-CK（KELM with composite kernel）和SS-EELM（spatial-spectral and ensemble ELM）为标准检测算法验证本文算法的有效性,在样本比例较小的实验中,本文算法的总体分类精度在3种数据集中分别为98.0%、98.9%和97.9%,比其他算法平均分别高出9.6%和4.7%和4.1%。本文算法耗时在3种数据集中分别为15.2 s、60.4 s和169.4 s。在同类目标空谱特性差异较大的情况下,相比于分类精度较高的KELM-CK和SS-EELM算法减少了算法耗时,提高了总体分类精度;在同类目标空谱特性相近的情况下,相比于其他算法,样本数量的增加对本文算法的耗时影响较小。结论 本文算法通过波段的累积变异比函数优化了平均分组波段选择策略,针对各类地物目标分布较广泛并且同类目标空谱特性差异较大的高光谱数据集,能够有效提取特征光谱维度的差异性,确定参数较少,总体分类效果较好。     

基于改进ELM的风/光/柴/储独立微网分布式电源多目标容量优化配置

针对风/光/柴/储独立混合微电网中分布式电源容量配置问题,以系统供电可靠性作为约束条件,构建考虑微电网经济性、环保性和能源利用效率的多目标优化模型。引入熵理论确定多目标函数各项指标的权重系数,有效地摆脱权重取值的主观性。采用自适应迭代步长、自适应变异策略和搜索空间缩减等措施来改善仿电磁学算法(Electromagnetism-like mechanism,ELM)的收敛性。基于改进的循环充放(ICC)控制策略,用改进的仿电磁学算法求解配置模型。以广西涠洲岛为背景进行算例分析,验证模型和算法的有效性。结果表明改进的ELM算法能有效地解决微电网规划这类多约束、计算量大的组合优化问题,并且在全局最优搜索能力和寻优速度方面具有明显优势。     

基于肌电信号和极限学习机的下肢关节运动预测

为判断下肢障碍患者的运动意图,通过外骨骼进行康复训练,分析表面肌电信号与下肢关节运动的关系。 提取表面肌电信号的均方根(root mean square,RMS)、绝对值均值(mean absolute value,MAV)、波形长度(waveform length,WL)和方差(variance,VAR)作为特征输入信号,采用极限学习机(extreme learning machine,ELM)建立表面 肌电信号与下肢关节角度之间的映射关系;对输出结果进行优化滤波以降低模型的误差,实现对下肢膝关节角度连 续变化的预测。与传统的反向传播(back propagation,BP)神经网络、径向基神经网络预测结果进行对比,结果证明： 极限学习机在通过表面肌电信号预测下肢关节角度变化中有更高的精度。