融合多特征与互信息选择集成多核极限学习机的影像分类方法

针对影像分类结果的类间差异性与准确性难以平衡的问题,提出一种融合多特征与互信息选择集成多核极限学习机的影像分类方法.该方法首先利用最小噪声分离提取影像的光谱特征,考虑到高分辨率影像局部细节信息清晰,利用LBP算子提取影像的局部纹理信息,采用泛化性能好的核极限学习机训练多个弱分类器;然后,通过引入相关性准则描述准确性,冗...     

基于IAO优化HKELM的空气质量指数预测

为了精准预测空气质量指数(AQI),本文提出一种基于改进天鹰优化器(IAO)混合核极限学习机(HKELM)的空气质量指数预测模型(IAO-HKELM)。首先,利用径向基核函数和多项式核函数构造混合核极限学习机模型;其次,针对天鹰优化器(AO)算法易陷入局部极值的问题,引入改进的Tent混沌初始化策略和自适应t分布策略;采用改进后的AO算法对HKELM模型的参数进行优化,并建立IAO-HKELM空气质量指数预测模型;最后,将预测模型应用于实际案例中,并与其他模型的预测结果及误差进行对比。结果表明,本文提出的预测模型精度更高、稳定性更强。     

含高比例分布式光伏的母线负荷预测方法

高比例分布式光伏的大规模接入对母线辖区的负荷预测产生了较大影响,导致母线辖区内负荷偏离用户用电负荷的真实状况。文章考虑了高比例分布式电源对负荷形态的影响,提出了基于互信息与混合模型的母线辖区内负荷预测模型,对分布式电源相关输入因子采用互信息系数进行相关性分析,并通过由XGBoost算法与极限学习机算法组成的混合模型对数据进行训练。最后,使用某地母线辖区内负荷数据进行实例验证,结果表明,考虑分布式电源接入后的母线辖区负荷预测精度高于常规预测方法,文中所建立的预测模型具有良好的预测精度。     

有人/无人装备体系作战效能快速评估方法研究

针对传统装备体系作战效能评估方法难以快速评估的问题,提出一种基于极限学习机(Extreme Learning Machine, ELM)和郊狼优化算法(Coyote Optimization Algorithm, COA)的有人/无人协同装备作战效能快速评估方法。对有人/无人协同装备作战效能的影响因素进行整理、分析,建立装备效能评估指标体系;并利用层次分析法(Analytic Hierarchy Process, AHP)确定指标权重,对装备作战效能进行计算;利用ELM建立评估指标数据与装备作战效能的关系评估模型,使用COA对ELM进行优化,有效提升评估模型的准确性,并以某有人/无人智能协同作战分队装备体系为例,验证模型的实际评估效果。仿真结果表明：相较于传统效能评估方法,该方法能够快速、准确地对装备作战效能进行评估。     

基于tGSSA-DELM的短期光伏发电功率预测

针对目前光伏发电预测的预测耗时和预测精度不足等问题,提出了一种基于皮尔逊相关性分析、改进的麻雀算法（tGSSA）和深度极限学习机（DELM）的组合预测方法。该方法首先通过皮尔逊相关性分析方法对影响光伏出力的主要因素进行筛选,然后采用黄金正弦搜索策略、自适应t分布和动态选择策略来增强麻雀算法的全局搜索能力和局部寻优能力,最后利用tGSSA群智能优化算法对DELM中的输入权重和偏置进行寻优,在得到最优输入权重和偏置的情况下对光伏发电功率进行预测。以澳大利亚某光伏站一年数据按季节划分后进行预测研究,将本文模型与DELM,SSA-DELM,GA-DELM,ABC-DELM,WOA-DELM进行预测对比,结果表明,相比于其他算法改进模型和传统模型,tGSSA-DELM在预测精度、预测稳定性和工作效率中具有较大优势,具有更强的适用性。     

多层非线性局部感受野极限学习机方法 用于录井气体分析

随着我国能源需求的不断提升以及钻探环境的日益复杂化,开展高精度的烷烃类气体浓度检测对于提高油气勘探效率 具有重要意义。 光谱录井技术具有烃类气体检测快速、准确等优势,已成为石油勘探过程中备受关注的研究热点。 针对录井气 体红外光谱由于饱和吸收、噪声干扰、基线漂移等方面引起的非线性问题,提出了多层非线性局部感受野极限学习机(NM-LRF-ELM)模型。 该模型将一维光谱数据转换为二维矩阵格式,利用局部感受野的数据处理方式在输入与隐藏层之间实现非线性特 征提取。 同时,引入改进的 T-sigmoid 激活函数,并在全连接层后加入 dropout 层来降低模型的过拟合风险。 模型的特征提取与 定量分析呈一体化结构,直接输出定量分析预测值。 采集了两组共 407 个混合烷烃气体样本的红外光谱作为实验数据集,进行 定量分析实验。 实验结果表明,相较于滑动窗口类与灰狼优化定量分析模型,该模型的训练时间显著减少了 90% 以上。 即使在 同系物的非线性干扰下,模型的预测精度仍低于系统误差。 因此,提出的方法有助于在现场环境变化复杂的情况下,降低未知 气体的非线性干扰,提高对目标气体的红外光谱检测精度。     

融合多特征参数的电力工程数据应用智能算法设计研究

为了提升电力工程数据分析的效率及准确度,文中开展了融合多特征参数的电力工程数据应用智能算法设计研究。在考虑多种电力工程特征参数的基础上,建立了基于线性判别分析与遗传算法优化极限学习机的电力工程数据分析模型。其通过对原始参数进行线性判别分析进而得到主要参数,不仅消除了原始参数的相关性,还降低了参数的维度。同时采用遗传算法优化了极限学习机的输入权值与阈值,再对电力工程数据的分析模型加以训练。仿真分析结果表明,所提模型在电力工程数据分析上的计算速度快且准确度较高,可以辅助电力工程施工进行决策、及时落实管控措施,避免事后评估所带来的损失。     

基于IPSO-RELM转炉冶炼终点锰含量预测模型

分析了影响转炉冶炼终点钢水中锰含量的因素, 针对基于BP神经网络算法的转炉冶炼终点锰含量预测模型存在的收敛速度慢, 预测精度低等问题, 提出了一种基于极限学习机(ELM) 算法建模的新思路, 并引入正则化以及改进粒子群优化算法(IPSO), 建立了基于改进粒子群算法优化的正则化极限学习机(IPSO-RELM) 的转炉终点锰含量预测模型; 应用国内某炼钢厂转炉实际生产数据对模型进行训练和验证, 并与基于BP、ELM和RELM算法的三类模型进行比较.结果表明, 采用IPSO-RELM方法构建的模型, 锰含量预测误差在±0. 025%范围内的命中率达到94%, 均方误差为2. 18×10-8, 拟合优度R2为0. 72, 上述三项指标均显著优于其他三类模型, 此外, 该模型还具有良好的泛化能力, 对于转炉实际冶炼过程具有一定的指导意义.      

基于蜂群算法和半监督极限学习机的光伏系统故障诊断

户外环境中运行的光伏系统容易受到各种因素特别是灰尘的影响,其非正常运行会导致大量损失,严重的短路故障则会导致安全问题比如火灾隐患。因此,监测光伏系统的运行状态,及时排除潜在故障,制定有效的处理方案是当前研究的重点。分析了光伏电池串在各种故障状态下的I-V特性,特别是在污秽条件下的I-V特性。针对具有特定故障的光伏系统,特别是大规模光伏系统的标记数据难以记录的问题,提出了一种结合人工蜂群算法和半监督极限学习机的新算法。该算法能够利用少量的模拟标记数据和历史未标记数据对光伏故障进行诊断,大大降低了人工成本和时间消耗。此外,灰尘堆积监测可以提醒电厂业主及时清洗光伏组件,提高发电效益。最后,使用3.51 kWp和3.9 kWp的光伏系统验证所提出的诊断方法,实验结果证明了所提光伏诊断技术的准确性和可靠性。     

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...