基于p阶最大相关熵准则损失函数的鲁棒极限学习机

当前对于短期负荷预测的研究主要针对影响因素的分析以及模型的改进,很少有对模型的鲁棒性进行研究.以极限学习机(extreme learning machine,ELM)作为研究对象,针对ELM模型的鲁棒性问题进行了深入的研究,并将其应用到短期负荷预测问题中.ELM模型的鲁棒性受损失函数的影响,当前ELM模型在处理含异常点样本时,鲁棒性差、预测精度较低.针对该问题,提出了一种基于p阶最大相关熵准则的损失函数,并将该损失函数应用到ELM模型中,以提高其在短期负荷预测问题中的鲁棒性.提出了一种估计实际样本中异常点百分比的计算方法,在建立短期负荷预测模型之前,估计出实际负荷样本中的异常点百分比.仿真结果表明,在异常点超过12％的样本中,提出的算法模型具有更好的鲁棒性以及预测精度.     

基于小样本数据和深度残差网络的月度供电量预测研究

针对传统预测模型在样本不足的情形下,无法实现高精度月度供电量预测的问题,提出了一种基于改进的生成对抗网络数据增强方法,能够将大粒度的月度统计信息,同分布分解为按天统计的供电量信息,实现了数据增强与样本集的有效扩充.基于该样本集,运用深度残差网络构建用于月度供电量预测的深层模型.算例分析标明,所提出的方法能够在原有同类型...     

基于改进在线支持向量回归的离子浓度预测模型

针对湿法炼锌净化过程中杂质离子浓度检测的大滞后特性和模型失效问题.提出了基于在线支持向量回归的离子浓度预测模型.该模型对每个新样本进行增量学习,并能删除数据集中的一个旧样本.进而提出用分块矩阵的方法解决更新算法计算复杂的问题.将该建模方法应用于离子浓度的预测,结果表明预测模型具有较好的泛化性能,模型更新时间明显缩短,有效地提高了适应工况的实时性.     

基于MATLAB的软件可靠性BP神经网络模型

研究并分析了BP神经网络的结构和特点,针对不足之处提出改进方法.在改进的基础上建立神经网络软件可靠性新模型.通过MATLAB仿真工具进行了实例仿真,证实该新模型比传统模型预测精度高,泛化能力强.     

基于更新样本智能识别算法的自适应集成建模

选择表征建模对象特性漂移的新样本对软测量模型进行自适应更新,能够降低模型复杂度和运行消耗,提高模型可解释性和预测精度.针对新样本近似线性依靠程度（Approximate linear dependence, ALD）和预测误差（Prediction error, PE）等指标只能片面反映建模对象的漂移程度,领域专家结合具体工业过程需要依据上述指标和自身积累经验进行更新样本的有效识别等问题,本文提出了基于更新样本智能识别算法的自适应集成建模策略.首先,基于历史数据离线建立基于改进随机向量泛函连接网络（Improved random vector functional-link networks, IRVFL）的选择性集成模型;然后,基于集成子模型对新样本进行预测输出后采用在线自适应加权算法（On-line adaptive weighting fusion, OLAWF）对集成子模型权重进行更新,实现在线测量阶段对建模对象特性变化的动态自适应;接着基于领域专家知识构建模糊推理模型对新样本相对ALD（Relative ALD, RALD）值和相对PE（Relative PE, RPE）值进行融合,实现更新样本智能识别,构建新的建模样本库;最后实现集成模型的在线自适应更新.采用合成数据仿真验证了所提算法的合理性和有效性.     

数据驱动的贝叶斯SVR自适应建模及昂贵约束多目标代理优化

实际工程中的多目标优化问题往往具有黑箱特性且需要耗时的功能性评估,采用传统的进化优化方法求解,存在计算成本高昂且难以实现的问题.考虑代理优化方法在处理需要功能性评估工程设计问题中的高效性,提出一种小样本数据驱动下的贝叶斯SVR自适应建模及昂贵约束多目标代理优化方法.该方法在实现过程中选取贝叶斯SVR模型以减少功能性评估过程的昂贵仿真成本,利用最大化约束期望改进矩阵聚合策略进行新设计方案选取,并通过小样本信息的不断更新实现数据驱动下的贝叶斯SVR模型自适应更新和逐步优化.贝叶斯SVR模型具有强的边界刻画能力及预测不确定性度量功能,可为新样本挑选提供预测精度保障及潜在的改进方向.所提出的切比雪夫距离和曼哈顿距离聚合策略从样本填充的改进范围考虑,使其具有较强的改进边界探索能力,在多变量优化问题中具有计算复杂度低、适用性强的特点.测试函数及工程实例结果表明:1)所提出的方法可在小样本条件下有效减少昂贵仿真成本,提升昂贵约束多目标问题的优化效率;2)获取昂贵约束多目标问题的Pareto前沿在收敛性、多样性及空间分布性方面均具有一定优势.     

基于改进URP模型和K近邻的推荐研究

针对传统推荐系统中存在的冷开始和准确性等问题,提出了一种基于改进URP模型和K近邻的推荐方法.该方法利用改进的URP模型对用户和项目进行建模,可以有效地解决新用户的问题;并通过推荐项目的K近邻对预测等级进行优化,可以显著提高对新项目预测的准确性.实验结果表明,该方法可以有效地解决冷开始问题,并显著提高推荐结果的准确性.     

基于边界自适应SMOTE和Focal Loss函数改进LightGBM的信用风险预测模型

针对信用风险评估中数据集不平衡影响模型预测效果的问题,提出一种基于边界自适应合成少数类过采样方法（BA-SMOTE）和利用Focal Loss函数改进LightGBM损失函数的算法（FLLightGBM）相结合的信用风险预测模型。首先,在边界合成少数类过采样（Borderline-SMOTE）的基础上,引入自适应思想和新的插值方式,使每个处于边界的少数类样本生成不同数量的新样本,并且新样本的位置更靠近原少数类样本,以此来平衡数据集;其次,利用Focal Loss函数来改进LightGBM算法的损失函数,并以改进的算法训练新的数据集以得到最终结合BA-SMOTE方法和FLLightGBM算法建立的BA-SMOTE-FLLightGBM模型;最后,在Lending Club数据集上进行信用风险预测。实验结果表明,与其他不平衡分类算法RUSBoost、CUSBoost、KSMOTE-AdaBoost和AK-SMOTE-Catboost相比,所建立的模型在G-mean和AUC两个指标上都有明显的提升,提升了9.0%~31.3%和5.0%~14.1%。以上结果验证了所提出的模型在信用风险评估中具有更好的违约预测效果。     

基于改进极端学习机的网络流量预测

为了提高网络流量的预测精度,针对极端学习机的训练样本选择问题,提出一种改进极端学习机的网络流量预测模型（IELM）。根据最优延迟时间和嵌入维数对网络流量重构,建立网络学习样本,将学习样本输入到改进极端学习机进行训练,随新样本加入而逐步求解网络的权值,以提高学习速度,引入cholesky分解方法提高模型的泛化能力,采用具体网络流量数据进行了仿真测试。结果表明,IELM不仅可以获得较传统网络流量预测模型更高的精度,并且大幅度减少了计算时间,提高了建模效率,可以较好地满足网络流量预测要求。     

网络流量组合预测模型研究

研究优化网络管理系统,高精度的短期负载预测对提高网络性能和服务质量意义重大.为了解决各种传统的单一预测方法在网络流量预测中存在不能有效利用资源的问题,提出了一种BP神经网络最优组合的预测方法.将单一预测方法所得到的预测值作为BP神经网络的输入样本,相应历史流量数据的实际值作为样本的输出,经过样本训练达到期望精度,应用BP神经网络模型进行预测.仿真实验结果表明,新模型具有良好的预测效果,比传统的单一预测模型具有更高的预测精度和更好的自适应性.