前交叉韧带断裂后足底压力特征的聚类分析

运动过程中,人体的步态特征可以在足底压力图像上有准确的记录,而这也就可以成为判断步态正常与否的一条有效依据.通过一组压力传感器阵列获取人体运动过程的足底压力分布数据,提取步态的运动学和动力学特性.在此基础上,采用极限学习机（Extreme learning machines,ELM）神经网络聚类算法对足底压力数据进行分析,完成正常与异常步态的分类辨识工作.本文从实际临床数据出发,对前交叉韧带断裂患者进行步态分析,并据医生的临床诊断结果进行校验.该方法在步态分析上取得了较为良好的效果,仿真结果表明了其有效性.     

乳状液膜提取堆浸液中Cu2+的理论分析与试验研究

讨论了乳状液膜提取铜矿堆浸液中Cu^2 的传输过程，并进行了实验研究．试验研究表明，乳状液膜技术完全能够从铜矿堆浸液中回收铜，回收效果良好．     

基于GA-WPT-ELM的6061铝合金表面粗糙度预测

为了提高工件表面粗糙度预测的准确性,针对振动信号特征识别和表面粗糙度预测建模时多个参数难以同步优化和人工经验调优误差较大的问题,提出基于遗传算法（GA）的信号特征识别和表面粗糙度预测的优化算法. 对采集的6061铝合金铣削振动信号进行小波包变换（WPT）和多个特征提取,利用GA优化WPT母小波和特征向量;将信号特征向量和表面粗糙度分别作为极限学习机（ELM）的输入和输出,对预测模型训练的同时,利用GA优化ELM隐含层的神经元个数;对训练好的预测模型进行测试. 实验结果表明,通过GA对振动信号识别和表面粗糙度预测的3类参数同步优化,获得了最佳的信号特征和较高的表面粗糙度预测精度,节省了建模分析计算成本.     

Selection of Most Relevant Input Parameters Using Principle Component Analysis for Extreme Learning Machine Based Power Transformer Fault Diagnosis Model

The dissolved gas-in-oil analysis is a prevailing methodology being extensively utilized to diagnose incipient faults in oil-immersed power transformers. However distinct approaches have been implemented to find out dissolved gas analysis (DGA) results, they may sometimes fail to diagnose precisely. The incipient fault identification accuracy of various artificial intelligence (AI)-based methodology is assorted with change of input parameters. Thus, selection of input variable to an AI model is major research area. In this paper, principle component analysis algorithm using RapidMiner is applied to 360 experimental datasets, imitated in lab to identify most pertinent input variables for incipient fault classification. Thereafter, multi-class Extreme Learning Machine (ELM) technique is implemented to classify the incipient faults of power transformer and its performance is compared with artificial neural network, gene expression programming, fuzzy-logic, and support vector machine. The compared result shows that ELM provides better diagnosis results up to 100% accuracy at proposed input variable in short of time period which is helpful in on-line condition monitoring.     

基于因子分析的极限学习机在煤与瓦斯突出等级识别中的应用

煤与瓦斯突出预测是一个非线性、非正态和高维数据处理问题,为了提高预测的准确性和时效性,采用因子分析法将原有的9个判断指标转化为4个综合性指标,再将转化后的指标作为极限学习机(ELM)的输入,充分发挥极限学习机学习速度快、泛化能力强以及容易获得全局唯一最优解的特点,快速准确地进行诊断识别,和BP神经网络、支持向量机SVM比较,极限学习机的建模时间短,对样本数据预测的准确性高,具有借鉴价值。     

热红外与多光谱遥感图像的神经网络回归融合方法研究

为验证神经网络方法用于遥感图像融合的有效性,归纳了利用神经网络对遥感数据进行回归来实现融合的3种途径,并提出了一种结合图像数据回归和多光谱遥感图像锐化技术来实现热红外图像的全色锐化新方法。这种热红外图像的全色锐化方法,利用了极限学习机（ELM）这种新型神经网络算法,快速高效地由训练样本得到遥感图像数据间的回归关系;同时,方法注重图像数据本身的物理含义,以提高热红外图像数据的真实质量为目标,是一种定量化的图像融合方法。经这种方法融合得到的热红外数据也能很好地用于定量遥感的物理模型,为遥感的实际应用提供方便。该方法的有效性通过对ETM+图像进行实验得到了证明,而直接对热红外图像数据和全色图像数据进行回归的融合模式,在实验中则无法得到满意的结果。     

锂电池剩余寿命的ELM间接预测方法

针对锂电池直接预测剩余使用寿命难及预测结果不准确等问题,提出利用锂电池循环充放电监测参数构建间接寿命特征参数的方法。应用一阶偏相关系数分析法验证间接寿命特征参数与直接参数间的相关性,选择等压降放电时间作为锂电池间接寿命特征参数,构建基于ELM的等压降放电时间与实际容量的关系模型和等压降放电时间预测模型,实现锂电池的RUL预测。基于NASA锂电池数据集预测并评估锂电池的RUL,并且与ELM直接预测方法和高斯过程回归间接预测方法相比较,本方法能够有效的预测锂电池的RUL,预测结果的误差范围为5%左右,具备较好的锂电池RUL预测精度。     

ELM法提取磷酸中La3+的相界面反应-传质机理研究

在以(D2EHPA+TOPO)/ROSO3H/液体石蜡/煤油为膜相,HCl为内相,磷酸中La3+为外相的乳化液膜(ELM)体系中研究了不同相比A/O、膜相D2EHPA(H2A2)、TOPO、ROSO3H浓度、料液相H3PO4、H2PO4和H+浓度和内相HCl浓度对总分配比DT的影响。实验结果表明:随A/O的增加,DT显著下降;随膜相H2A2、TOPO、ROSO3H浓度的增加,DT先增加后基本不变;但料液相H3PO4和H+浓度的增加使DT降低,DT随H2PO4浓度增加而升高;DT随內相HCl浓度的增加而升高。通过斜率法对ELM各组分H2A2、TOPO、ROSO3H、H2PO4、H3PO4、H+的logc-logDT的线性拟合直线的斜率确定了其参与的摩尔数,得到了该ELM体系的相界面反应-传质机理,并计算出萃取、反萃反应平衡常数k1、k2分别为107.7237、104.8025。     

基于Kmean和ELM的乳腺肿块检测方法

肿块是乳腺癌在X线图像上的一个主要表现。提出了一种肿块自动检测算法。该方法包括四个步骤：在图像预处理阶段,去除背景、标记、胸肌和噪声,图像分割和图像增强;利用Kmean方法找到感兴趣区域（ROI）;提取能够表征肿块的特征;利用极限学习机（Extreme Learning Machine,ELM）分类器去除假阳性,将图像中的肿块和非肿块分离开来。通过对MIAS数据库中乳腺X线图像的测试实验,得到的检测肿块的准确率为93.5%。