基于VMD和BSA-KELM的高陡边坡位移预测模型研究

边坡位移的时间序列曲线存在复杂的非线性特性,传统的预测模型精度不足以满足预测要求。为此提出了基于变分模态分解的鸟群优化-核极限学习机的预测模型,并用于河北省某水泥厂的边坡位移预测。该方法首先采用VMD把边坡位移序列分解为一系列的有限带宽的子序列,再对各子序列分别采用相空间重构并用核极限学习机预测,采用鸟群算法优化相空间重构的嵌入维度和KELM中惩罚系数和核参数三个数值,以取得最优预测模型。最后将各个子序列预测值叠加,得到边坡位移的最终预测值。结果表明：和KELM、BSA-KELM、EEMD-BSA-KELM模型相比,基于VMD的BSA-KELM预测精度更高,为边坡位移的预测提供一种有效的方法。     

基于PSO-ELM算法的输变电工程造价预测分析

为了提高输变电工程造价预测的准确度,降低以后输变电工程建设的结余率,文中将筛选出的主要影响因素作为ELM模型的输入自变量,并利用粒子群优化算法(PSO)来优化ELM模型中权值和阈值,从而建立PSO-ELM(MIV)的输变电工程造价预测模型。以宁夏某电力公司2012-2013年的97组输变电工程造价样本数据为实例,分别使用PSO-ELM(MIV)、ELM(MIV)、PSO-ELM和ELM预测模型对实例数据进行验证,实验结果表明,相比于其他几种预测模型,PSOELM(MIV)预测精度高,实用型更强,可以为日后的输变电工程造价预测提供一种新的思路。     

组合降采样极限学习机

设计了一种针对不平衡数据集的学习机,即组合降采样极限学习机(EUS ELMs)。当训练数据集不平衡时,普通分类器对少数样本的分类敏感性较低,而给予多数样本过度关注。针对这种问题,将组合降采样结构与极限学习机(ELM)结合起来,形成一种新的组合学习机。该学习机继承了组合降采样结构对样本选择的依赖性小的优点,和极限学习机分类效率高、耗时短的优势,而且可以通过不同的参数设置控制对少数样本的关注度,根据使用者需求获得不同分类效果。     

波导英语通 手机中的响学习机

时下手机新功能层出不穷，继拍照、MP3、MP4等娱乐功能之后，下个新的消费热点在哪里？是3D游戏手机还是电视手机？是网络手机还是智能手机？这是众多手机厂商在苦苦思索的司题。波导另辟蹊径，推出英语通手机，在手机众多新功能的基础上开发了英语学习功能，被誉为“手机中的学习机”。目前D720、D670、D620、D630、M29等十多款英语通手机已经上市。     

手机变身英语学习机

200万像素、强大的MP4视频播放、创新的英语学习功能，加上动感时尚的外型设计，波导英语通手机D720无疑称得上是一款秀外慧中的经典手机。     

随时随地在家iPod iPort入墙式iPod音乐系统

别看是三岁多的小孩儿，说起事情来也一样头头是道，这时候的孩子需要培养的是学习能力，当然，光靠父母是忙不过来的，找一个好老师偶倒是个不错的想法，Future Electranics为2-10岁的孩子们设计了一款视听学习工具，而且它还是寓教于乐的呢，如果你实在需要清静一会儿，这个学习机或许可以帮上忙呢！     

千年的铁树开了花

不断地为员工创造学习机会，使员工适应工作的需要，一向是中国电信持续为客户提供满意服务的基本保证。[编按]     

基于极限学习机的堤防工程多元风险指标评价方法

为提高堤防工程风险评价的准确性,提出了基于极限学习机的堤防工程多元风险指标评价方法。首先,综合考虑影响堤防风险的28个评价指标,利用层次分析法从预警系统、堤防工程系统、环境系统和社会经济系统这4个方面建立了堤防工程多元风险评价指标体系。接着,基于极限学习机算法对28个指标进行标准化处理及分级标准构建,以风险指标作为输入量,分级隶属度作为输出量,划分风险等级,量化评价指标,估计多元风险评价指标值和判断风险的严重程度。最后,依托鄱阳湖重点堤防——康山大堤,构建多元风险评价指标体系,运用极限学习机算法计算多元风险评价指标值。评价结果表明:康山大堤目前处于基本安全水平,符合康山大堤经过两次加固后的工程实际情况,并与其他方法进行对比,验证了提出方法的可靠性和有效性。该方法可拓展应用到其他重要水工结构工程风险评估中。     

GIL机械故障诊断与预警技术研究

为了有效诊断气体绝缘金属封闭输电线路(GIL)的机械故障,搭建了110 kV GIL试验平台并设计了3种典型机械故障,通过互补集合经验模态分解(CEEMD)模糊熵值与鲸鱼优化极限学习机(WOA-ELM)模型联合方法对GIL机械故障模式进行识别与诊断。首先,利用CEEMD方法对振动信号进行分解,引入正负白噪声组对信号进行处理,得到含有故障信息的模态分量(IMF)。其次,利用模糊熵计算模态分量特征值,得到能表征故障特征的模糊熵值。最后,结合WOA-ELM模型对特征向量集进行模式识别,根据聚类结果与自适应阈值对GIL设备机械故障进行诊断和预警。结果表明,利用CEEMD与模糊熵对GIL振动信号特征进行分析,可以有效避免模态混叠和冗余噪声分量的干扰,得到能够表征故障特征的特征值;利用WOA-ELM模型可以有效实现GIL设备机械故障诊断与预警。