排序方式: 共有3条查询结果,搜索用时 15 毫秒
1
1.
基于FRS与GA-ELM的煤与瓦斯突出预测研究 总被引:1,自引:0,他引:1
针对煤与瓦斯突出发生内在机理复杂性、致突因素与突出事件之间模糊性导致预测精度不高这一问题,提出将模糊粗糙集理论(FRS)结合改进的极端学习机(ELM)进行煤与瓦斯突出预测。通过FRS信息约简理论降低致突因素原始数据属性维度,提取出致突辅助因素,与主要因素共同作为ELM网络神经元输入,利用遗传算法(GA)对极端学习机网络输入权值、隐含层阈值进行优化,建立GA-ELM预测模型,模型输出为煤与瓦斯突出强度预测结果。经过模型训练和试验验证,该模型泛化能力强、预测精度高、收敛速度明显加快。 相似文献
2.
3.
针对输电线路短路故障危害大,故障识别率较低的情况,提出基于变分模态分解(VMD)样本熵与核极端学习机(KELM)相结合的输电线路故障诊断方法,提高输电线路故障诊断的正确率。首先,采用VMD对故障后的三相电压进行分解,得到一系列三相平稳的模态分量;其次分别计算每组各分量的样本熵值,作为输电线路故障提取特征,组成样本库;以提取的输电线路故障特征输入到核极端学习机进行训练,获取诊断模型,然后比较其与极限学习机(ELM)、支持向量机(SVM)和BP神经网络的诊断效果。仿真结果表明,VMD样本熵+KELM的输电线路故障诊断模型精度高于其他3种算法,且运算速率更快,噪声鲁棒性更好。 相似文献
1