改进极限学习机的网络流量混沌预测

为了获得更加精确的网络流量预测,降低网络拥塞的频率,提出了改进极限学习机的网络流量预测模型。针对网络流量混沌性分别确定原始网络流量的延迟时间和嵌入维数,采用极限学习机对网络流量的变化特点进行拟合,改进标准学习机,改善学习速度和预测性能,最后通过网络流量数据的预测实验验证其可行性。验证结果表明:与其它网络流量预测模型相比,改进极限学习的网络流量预测结果更加可靠,对网络流量将来变化趋势可以更加准确描述,提高了网络流量预测精度。     

基于改进麻雀搜索算法-核极限学习机耦合算法的滑坡位移预测模型

传统的位移预测模型需要大量数据作为原始训练样本,一定程度上限制了预测模型的应用。为在有限的位移监测数据下进一步提高预测精度,针对金沙江沿岸某长期变形的滑坡体,采用麻雀搜索算法(sparrow search algorithm, SSA),结合核极限学习机算法(kernel-based extreme learning machine, KELM)算法,对滑坡的位移变化提出一种新的多变量位移预测方法,并与传统的支持向量机(support vector machine, SVM)进行对比,结果显示改进的SSA-KELM耦合滑坡预测模型比SVM模型预测精度更高,对金沙江沿岸地区的滑坡具有良好的位移预测效果。     

基于改进极限学习机的纱线质量预测

由于随机给定输入权值和偏差,极限学习机(extreme learning machine,ELM)通常需要较多隐含层节点才能达到理想精度.结合粒子群算法具有全局搜索能力的优势,提出一种基于改进ELM算法的纱线质量预测模型,采用改进粒子群算法优化ELM算法的输入权值矩阵和隐含层偏差,计算出输出权值矩阵,以减少隐含层节点数.试验结果表明,相比于ELM算法,改进ELM算法能够依靠更少的隐含层节点获得更高精度,相对误差降低2.70%,可为纱线质量预测与控制提供更有效的工具,具有广泛的推广实用性.     

基于管土作用模型的极限滑坡位移预测

滑坡作为典型地质灾害之一,严重威胁埋地管道的安全运行。若能准确预测管道所能承受的极限滑坡位移,则可结合先进的滑坡监测技术对管道失效事故进行有效预判。有鉴于此,首先建立并验证了基于非线性接触的管土作用模型,之后对模型参数及边界条件设置进行了讨论,最后基于形成的模拟方法研究了应力/应变准则下极限滑坡位移预测方法。结果表明：两侧设置无限边界的非线性接触管土作用模型更适用于真实滑坡工况下管道力学响应分析,可实现土体与管道大变形及管土分离的有效模拟,并可用于基于应力及应变准则的极限滑坡位移预测。本文为山区管道的安全设计及滑坡事故的防控提供了有效的技术手段。     

基于云计算和改进极限学习机的电网负荷预测

随着智能电网和通信技术的迅速发展,电网系统采集的用户数据规模呈指数增长,传统电网负荷预测方法难以满足海量负荷数据情形下的高效分析和计算需求。据此,依托电力系统数据采集云平台,提出一种基于云计算和改进极限学习机的电网负荷预测模型,采用Map-Reduce网络架构,部署于Hadoop平台,利用分布式计算方式进行电网负荷的精准建模和预测分析。结果表明,相比已有方法,本研究方法具有负荷预测精度高、运行速度快的优势,可为后续智能电网系统建设及管理运用提供一种新颖的解决思路。     

改进的核极限学习机定位算法

针对神经网络无线定位方法,存在训练耗时长,定位结果易受噪声干扰的问题,提出了一种改进的核极限学习机无线定位算法。采取在同一位置进行多次测量的方法得到训练数据;把同一位置测得的数据划分为一个样本子空间并提取样本子空间的特征,以样本子空间的特征代替原来的训练数据;利用矩阵近似及矩阵扩展的相关理论改进核极限学习机算法;将处理过的训练数据利用改进的核极限学习机进行训练,得到定位预测模型。仿真结果表明,在相同数据集下,改进的核极限学习机训练用时短、定位速度快;在相同噪声干扰情况下,此算法定位预测误差小。经验证,该算法不但能提高网络的训练速度、定位速度,还能有效地降低噪声的干扰,提高定位精度。     

基于改进分布式极限学习机的电站锅炉NO_x排放预测算法

提出了一种改进的分布式极限学习机的电站锅炉NO_x排放特性建模方法。引入分布式和岭回归理论,提升了极限学习机预测算法的泛化性能和预测准确率。采用改进的MapReduce编程框架对提出的算法模型进行并行化改进,提高其处理大数据的能力。选用某660 MW电站锅炉提供的真实运行数据进行分析,并在Hadoop集群上进行实验,结果表明该模型对NO_x排放有着较好的拟合和预测能力,且提出的算法具有优异的并行性能。     

混沌理论与极限学习机的网络流量预测

提出一种混沌理论和极限学习机的网络流量预测模型.首先对网络流量时间序列进行小波分解得到不同分量,然后采用混沌理论对各分量进行相空间重构,并利用神经网络中的极限学习机进行建模,得到各分量的预测结果,最后采用对分量的预测值进行叠加组合,并采用具体网络流数据集进行模拟测试.相对于其他模型,混沌理论和极限学习机的网络流量预测模型能准确地反映网络流量的变化特性,获得更高精度的预测结果.     

基于正则极限学习机的烟草病毒病预测

为了对烟草病毒病的病情指数进行建模研究,采用了一种正则极限学习机算法：通过引入惩罚因子来权衡结构风险与经验风险的大小,进一步增强网络的泛化性．针对烟草病毒病的众多影响因素,采用灰色关联度算法选取主要影响因子．使用某地1984—1995年病情资料、相关虫情和气象资料,经过数据挖掘、建模仿真,将正则极限学习机应用于烟草病毒病预测中,效果较好,对烟草病毒病的防治具有指导意义．     

基于极限学习机的上证指数预测与分析

针对证券指数具有随机性、时变、波动性较大、非线性等特点,传统线性预测方法预测精度低等缺陷,提出了一种基于极限学习机的证券指数预测方法。极限学习机克服了BP神经网络的训练速度慢、过拟合、局部极值等缺陷,具有训练速度快、全局最优和泛化能力优异等优点。采用1991~2013年上证指数对算法性能进行训练,2014年数据做测试,对100个测试数据仿真结果表明,复相关系数高达0.9935,极限学习机是一种预测精度高、误差小的证券指数预测算法,预测结果可以为用户提供有价值的参考意见。     

基于灰色极限学习机组合光伏发电预测

随着全球能源消耗量的急剧上升,光伏发电由于成本低,环境污染小,得到了大力推广,目前已成为全球能源供给的主体、并且有广泛的应用范围,属于新型情节能源。然而,光伏电站当前在短期功率预测方面依然不太准确,通过利用灰色模型、极限学习机相互组合,形成全新的评估预测方法。方法需要分成两个板块的程序设计,即灰色GM(1,1)模型、极限学习机模型,以此实现数据录入、灰色GM模型预测、极限学习机模型预测以及灰色极限学习机光伏发电功率的预测。最后分别计算灰色模型和极限学习机模型预测结果的平均绝对百分数(MAPE)误差,按照MAPE的大小分配权重并重新组合,得到组合预测结果。研究证明,该方法相对单一的灰色GM(1,1)模型、极限学习机预测而言,在预测精准度上更高,并且整体预测结果符合真实水平。     

基于极限学习机的脉动风速快速预测方法

提出基于极限学习机(ELM)的脉动风速预测新模型.运用自回归滑动平均模型生成脉动风速数据库,并将其分为训练集和测试集.采用ELM对训练集进行学习训练,建立回归模型,从而实现对测试集风速的泛化预测.经与基于粒子群优化(PSO)的混合核函数最小二乘支持向量(PSO-MK-LSSVM)和误差反传神经网络(PSO-BP)对比,验证了ELM模型的有效性.数值结果表明,与PSO-MK-LSSVM和PSO-BP相比,无论在预测精度还是计算速度上,ELM模型都具有显著的优势.     

基于深度极限学习机的柴油机尾气排放预测

准确预测拖拉机等柴油机械实际工况污染物排放在排放清单建立和区域污染物排放控制方面具有重要意义。基于拖拉机不同运行状态下发动机转速、油耗、燃烧比、CO、HC、NOX和PM等实测数据作为数据源,建立深度极限学习机(Deep Extreme Learning Machine,DELM）的预测模型,并对拖拉机怠速、行走和旋耕等基本工况下的污染物排放进行预测。为进一步评估DELM预测模型的适应性,将其与支持向量机(support vector machine, SVM)和前馈神经网络(Back propagation neural network, BPNN)模型进行对比分析。结果表明,1）DELM模型在预测排放时间序列方面具有一定优势,其预测拖拉机在怠速、行走和旋耕3种状态下的NOX、HC、CO和PM排放均方根误差均值分别为5.269×10-5、5.195×10-5、5.135×10-5和2.795×10-5。2）DELM模型与SVM和BP对比发现,DELM模型在鲁棒性以及适应性方面的优势显著。3）DELM方法的较高的准确度和泛化性,为基于发动机状态数据预测移动源尾气排放提供思路和方法。     

基于增量型极限学习机的材料力学性能预测

高Co-Ni二次硬化钢是一种多元系合金,其力学性能受材料成分及热处理工艺等条件影响。传统的数学模型很难对材料力学性能进行预测。采用增量型极限学习机(I-ELM)建立高Co-Ni二次硬化钢材料模型,根据模型预测的结果研究微量元素Co和时效温度对高Co-Ni二次硬化钢材料力学性能的影响,并且在多项性能指标方面对高Co-Ni二次硬化钢数据的I-ELM模型与BP神经网络模型进行比较。实验结果表明,在对较少样本数据的模型训练时,高Co-Ni二次硬化钢的I-ELM模型预测结果与实验数据基本吻合,I-ELM模型的拟合精度和训练速度均优于BP神经网络模型,为今后高Co-Ni二次硬化钢的材料研究提供参考。     

基于极限学习机的新型建筑材料力学性能预测方法

为减少新型建筑材料力学性能预测方法预测投入成本,提升预测效率,提出了基于极限学习机的新型建筑材料力学性能预测方法.提取新型建筑材料力学性能因子,不断加深对因子内部的了解,完善收集的数据信息,增强因子数据查找力度,进一步分析新型建筑材料力学性能因子的所处状态,按照内部分析准则转换因子存储方式,调节空间信息,利用获取的数据...     

基于极限学习机的车间节能目标预测方法

针对车间的混合流水线调度问题(HFSP)存在智能算法寻优过程中节能目标即适应值评估代价高的问题,首先,通过分析车间节能模型建模的编码方式,提出一种基于矩阵编码机制的特征向量提取方法,引入核函数有利于极限学习机(ELM)求解节能目标。其次,对需要构建代理模型的改进多目标多元宇宙优化算法(IMOMVO)进行计算复杂度分析,建立了基于ELM的代理模型,设计数据驱动优化的车间节能目标算法框架。最后,基于均匀分布变量的拉丁超立方抽样,形成初始化样本,与BP算法进行预测性能验证和计算时间对比两个实验。实验结果显示,ELM算法的拟合优度为0.973 81,预测性能指标均优于BP算法。单个适应值平均计算时间为5.4×10-4s,仅为真实求解的18.5%。说明ELM在车间节能目标预测问题具有良好的效果。     

基于改进粒子群优化算法和极限学习机的混凝土坝变形预测

混凝土坝变形预测是评价大坝运行状态和预测大坝行为的重要方法.但是,混凝土坝的随机荷载和强非线性变形限制了传统多元线性回归模型的应用.而人工神经网络模型则对复杂和高度非线性行为具有良好适应性.针对基于梯度下降法的常规神经网络模型收敛速度慢和过度拟合等问题,提出了一种基于改进型粒子群优化算法选取极限学习机(ELM-IPSO)最优参数的大坝变形预测模型.针对传统粒子群算法搜索时间长、容易陷入局部最优的特点,采用自适应惯性权重和动态调整学习因子,对粒子群算法进行了改进.研究表明,IPSO算法提高了粒子群优化的全局搜索能力,提高了计算效率.应用IPSO优化ELM模型的初始权值和阈值.通过东江混凝土拱坝的实测资料,验证ELM-IPSO模型的预测性能.将计算结果与BPNN模型、ELM模型和传统ELM-PSO模型的结果进行比较.BPNN模型、ELM模型、ELM-PSO模型和ELM-IPSO模型的平方相关系数R2分别为89.15%、91.13%、93.87%和94.36%.ELM模型的R2大于BPNN模型,说明ELM模型比常规的BPNN模型预测精度更高,泛化性能更好.ELM-PSO模型的预测精度大于ELM模型,说明PSO对ELM的优化在提高预测精度方面具有良好的作用.4个模型中,ELM-IPSO模型的R2最大,预测精度最高,这表明提出的ELM-IPSO模型能够有效提高混凝土坝变形的预测能力.     

基于ARIMA模型的滑坡位移预测

利用斜坡累积变形—时间曲线的建模分析,可以获知当前滑坡的变形发育阶段、预测滑坡未来发展趋势,是滑坡灾害预警预报的基础.滑坡累积位移是关于时间的变量,往往具有非平稳性,通过差分得到平稳的时间序列过程,建立差分自回归移动平均模型(ARIMA模型).以三峡库区某滑坡为研究对象,对累积位移采取等时距差值处理后,建立了适用于该滑坡的ARIMA时间序列模型对滑坡累积位移进行分析预测.通过比较2014年1月至5月该斜坡位移的实测值与预测值,得平均预测误差为3.2%,结果表明,所建立模型能满足预测要求,计算过程容易实现,在滑坡累积位移短期预测中具有一定的适用性.     

并行极限学习机在洪水预测中的应用研究

研究洪水预测的神经网络模型,要求模型保证一定的运行效率和准确度。文中应用并行极限学习机建立的洪水预测模型预报精度达到应用水平,可以用于渭河和汉江流域的洪水预报。并行极限学习机兼有极限学习机和并行计算的优点,不需要反复迭代调整隐层节点,通过训练后即可进行预测,运行效率高,预报效果较好,具有一定的实用价值。     

极限学习机在采空区自然发火预测中的应用

针对采空区煤炭自然发火的预测问题,从温度、标志气体浓度以及钻孔参数3个方面选取了8个相关因素,利用Logistic回归分析从中提取出5个相对重要的因素作为预测模型的输入,运用极限学习机算法进行预测,并采用粒子群算法对极限学习机的输入权值及隐含层阈值作优化选取,以提高其泛化能力及预测精度,以此建立了PSO-ELM自然发火预测模型.选用28组训练样本和12组检验样本进行模型的预测实验,结果表明,基于Logistic回归分析筛选指标后的PSO-ELM模型有较高的预测精度,是预测采空区自然发火的一个有效方法.