基于粒子群优化极限学习机及电容层析成像的两相流流型及其参数预测

提出了一种基于粒子群优化极限学习机及电容层析成像的两相流流型辨识及其参数预测方法。首先,通过粒子群优化极限学习机的连接权值,并使用粒子群优化极限学习机算法对4种典型的油-气两相流流型进行辨识;其次,使用粒子群优化极限学习机算法对流型的参数进行预测;最后进行了仿真实验,结果表明,与极限学习机算法相比,粒子群优化极限学习机算法所需隐层节点数更少,流型辨识率更高,其正确辨识率达100%,对4种流型参数预测的最大相对误差为5.24%。     

一种黄金分割优化的极限学习机算法

针对极限学习机(ELM)存在大量隐层神经元个数和随机给定权值导致算法性能不稳定等问题,将黄金分割法(Golden Section)与ELM相结合提出了基于黄金分割优化的极限学习机算法(GS-ELM).首先通过黄金分割法对ELM隐含层节点数进行优化,接着再用该方法对ELM输入层权值和隐含层偏差进行优化.实验结果表明,相比较传统的BP神经网络,支持向量机和极限学习机,GS-ELM算法能获得较高的分类精度.     

NTLBO算法优化ELM的SOC预测方法

为提高锂电池荷电状态(SOC)预测的精度,提出了新型教与学优化(NTLBO)算法优化极限学习机的SOC预测方法.首先,采用Logistics混沌对种群中精英个体进行优化以改善算法的全局优化性能;其次,采用改进的TLBO算法优化调整ELM模型的输入权值和隐含层阈值,构建NTLBO-ELM预测模型以提升模型的泛化能力.以某...     

极限学习机在图像隐写分析中的应用

为了有效提高图像隐写分析的检测正确率和速度,特结合单隐层前馈神经网络(SLFN)的特点,提出了一种基于极限学习机(ELM)的隐写分析方法.该方法首先根据Fridrich提出的多域特征提取算法从图像DCT域和空域中提取特征;得到193维原始特征;然后使用"主成份分析"法将其约简至18维;最后采用极限学习机作为分类方法构造隐写分析算法.实验表明,与目前隐写分析算法中广泛使用的支持向量机(SVM)相比,极限学习机参数调节少,学习速度快,以较少的隐层节点数取得了与SVM相似的检测正确率,能够实现针对各类JPEG图像隐写算法的有效检测.     

基于改进OS-ELM的冷连轧在线轧制力预报

冷轧轧制力预报结果直接影响板(带)材轧制精度和产品质量。冷轧工艺复杂,参数耦合性强,模型不易建立且与实际偏差较大,针对这些问题,提出一种改进在线序列极限学习机。在初始训练阶段使用量子粒子群算法优化权值和阈值;在线训练阶段根据当前训练数据中隐含层对网络输出的贡献度调节网络的拓扑结构,实现了结构和参数的自组织,并结合极限学习机变形抗力子模型在线预报轧制力。实验结果表明,该自组织在线序列极限学习机在训练速度和精度方面较之人工蜂群优化的反向传播神经网络和基于增强型增量极限学习机有较大的提高。     

基于GA-ELM的锂离子电池RUL间接预测方法

针对锂离子电池在线剩余寿命预测时容量难以直接测量及预测精度不高等问题,提出一种间接预测方法。首先,分析电池寿命状态特征参数,选取等压降放电时间作为锂电池间接健康因子;其次,引入遗传算法优化极限学习机模型参数,建立锂电池剩余使用寿命间接预测模型;最后,基于NASA锂电池实验数据和自主实验数据验证该预测方法的正确性和有效性。实验结果表明,相较高斯过程回归方法和极限学习机方法,该方法准确有效、测试速度快,并且预测结果输出稳定,精度较高。     

改进小波序贯极限学习机的光电经纬仪空间配准算法研究

针对光电经纬仪数据融合系统中的空间配准问题,提出复合函数小波神经网络序贯极限学习机光电经纬仪空间配准算法。该算法将小波理论引入到极限学习机中,利用小波函数和任意分段连续非线性函数构造极限学习机隐层节点激励函数,小波函数的伸缩因子和平移因子根据输入数据范围进行初始化,并结合极限学习机在线学习方法进行训练。实验结果表明:改进小波序贯极限学习机的光电经纬仪空间配准算法可以使光电经纬仪的测量精度提高到3″以内,与标准极限学习机空间配准算法相比,该算法能够实现在线增量式快速学习,具有更好的泛化性能。     

基于改进无迹卡尔曼滤波的锂电池SOC在线估计

针对无迹卡尔曼滤波算法对电池模型敏感并且容易受到不确定噪声干扰的问题,提出了改进的无迹卡尔曼滤波算法（improved unscented Kalman filter,IUKF）,提高电池荷电状态（State of charge,SOC）估计精度和鲁棒性能。首先,对锂离子电池进行建模并完成参数离线辨识。紧接着,对模型参数进行敏感性分析,研究不同参数对SOC估计效果的影响程度,为模型参数自适应对象的选取提供依据。随后,研究了包含模型自适应算法和噪声自适应算法在内的IUKF算法实现过程。最后,通过物理实验对比分析了IUKF与其它算法的实际估计效果,实验结果表明,该方法估计误差小于1.79%,鲁棒性能良好。     

排列熵与核极限学习机在齿轮故障诊断中的应用

针对齿轮故障难提取和极限学习机(extreme learning machine,ELM)隐层节点数需要人为设定,致使齿轮故障分类模型准确度低、稳定性差的问题,提出基于核极限学习机(kernel extreme learning machine,K-ELM)的齿轮故障诊断方法。首先,将测得信号经经验模态分解(empirical mode decomposition,EMD)处理后得到一系列IMF本征模式分量,并提取各分量的排列熵(permutation entropy,PE)值组成高维特征向量集;然后利用高斯核函数的内积表达ELM输出函数,从而自适应确定隐层节点数;最后,将所得高维特征向量集作为K-ELM算法的输入建立核函数极限学习机齿轮故障分类模型,进行齿轮不同故障状态的分类辨识。实验结果表明:与SVM、ELM故障分类模型相比,核函数ELM滚动齿轮故障诊断分类模型具有更高的准确度和稳定性。     

自适应人工蜂群优化极限学习机在拉曼光谱血液定量分析中的应用

提出了一种基于自适应差分进化人工蜂群优化极限学习机预测血液各组分浓度的方法。首先应用人工蜂群算法对输入权值和隐含层阈值迭代寻优;其次结合差分进化进一步提高模型精度且避免后期易陷入局部最优等问题;由于差分进化算法交叉率和变异率存在凭经验给定的不确定性,最后引入了自适应调整的思想提出自适应差分进化人工蜂群算法优化极限学习机算法的模型,将其应用于血液成分定量分析中。实验表明,自适应差分进化人工蜂群算法优化的极限学习机模型具有较高的预测精度,模型具有较强的稳健性。     

基于混合鸡群算法和核极端学习机的锅炉NOx排放的预测

以某300MW亚临界循环流化床锅炉为研究对象,对锅炉的NOx排放量进行预测。利用模拟退火混合鸡群算法(SACSO)和核极端学习机(KELM)对不同工况下NOx的排放量进行建模;对比了差分进化算法,粒子群算法和原始鸡群算法,证明了改进后算法的优越性;之后,又对传统BP算法,支持向量机,极端学习机和核极端学习机模型进行对比;最终确定的SACSO-KELM模型具有更高的预测精度和稳定性以及更好的泛化能力,可选择将此模型用于锅炉NOx排放的建模预测。     

基于量子自适应鸟群算法的锅炉NOx排放特性研究

针对锅炉NOx排放量难以准确预测的问题,提出了一种新的NOx排放预测方法,利用改进的量子自适应鸟群算法(QBSA)和快速学习网(FLN)进行综合建模,得到锅炉NOx排放浓度模型。将QBSA与基本鸟群算法(BSA)、差分进化算法(DE)、粒子群算法(PSO)进行比较,并通过仿真实验证明了其具有更好的寻优精度和更快的收敛速度。最后采用不同工况下的样本数据检测QBSA-FLN与BSA-FLN模型的预测效果,实验结果表明,QBSA-FLN具有更高的预测精度和泛化能力,可以更准确地预测NOx排放量。     

基于改进最优觅食算法的锅炉NOx排放预测研究

提出了一种改进的最优觅食算法(POFA),在最优觅食算法中引入自适应惯性权值与全局最优解来改进算法的更新公式,同时加入相空间搜索的机制。利用改进的最优觅食算法优化极端学习机(ELM)构建一个改进的极端学习机模型(POFA-ELM),并用该模型对锅炉NO_x的排放特性进行建模。将该模型与ELM、差分进化算法、粒子群算法、人工蜂群算法以及基本的最优觅食算法优化的ELM模型进行比较。结果表明:该模型的预测精度更好,泛化能力更强,可以更加准确地预测NOx的排放质量浓度。     

基于粒子群算法优化支持向量机的铝热连轧机轧制力预报

为了提高热轧带材的轧制力预报精度,提出了粒子群算法和支持向量机结合的方法来预报轧制力。根据轧制原理用支持向量机建立轧制力预报的模型,通过粒子群算法优化支持向量机参数来提高预报精度。为了进一步提高轧制力预报精度,还提出了支持向量机网络与数学模型相结合的方法,对某“1+4”铝热连轧厂现场采集的5052铝合金轧制数据进行离线仿真,仿真结果可以看出支持向量机网络与数学模型结合的方法预报轧制力,提高了轧制力预报速度并使其轧制力预报精度控制在7%以内。