核极限学习机
核极限学习机的相关文献在2013年到2022年内共计249篇,主要集中在自动化技术、计算机技术、电工技术、机械、仪表工业
等领域,其中期刊论文183篇、会议论文5篇、专利文献2580159篇;相关期刊130种,包括科学技术与工程、中国测试、噪声与振动控制等;
相关会议4种,包括中国航空学会第十八届航空发动机自动控制专业学术交流会 、第二十八届全国振动与噪声高技术应用学术会议 、香山科学会议第S42次学术会议等;核极限学习机的相关文献由789位作者贡献,包括杨锡运、李军、向家伟等。
核极限学习机—发文量
专利文献>
论文:2580159篇
占比:99.99%
总计:2580347篇
核极限学习机
-研究学者
- 杨锡运
- 李军
- 向家伟
- 马超
- 周余庆
- 李栋
- 苏一丹
- 薛惠锋
- 覃华
- 雷芝
- 付利华
- 付果
- 任瑞琪
- 岳有军
- 张英堂
- 戴金玲
- 李志宁
- 杜晓林
- 杜金莲
- 杨晋生
- 杨辉华
- 潘慕绚
- 王丹
- 王宁
- 王红君
- 石智强
- 苏航
- 赵文兵
- 赵辉
- 邢国通
- 郭雪亮
- 陈为刚
- 陈慧灵
- 马雪
- 黄金泉
- 于威威
- 付强
- 代学志
- 任杰
- 何春梅
- 何晓川
- 余泳江
- 余航
- 侯传晶
- 关文渊
- 冯冬竹
- 冯斌
- 刘双印
- 刘彤
- 刘怡俊
-
-
韩宏泉;
吴珊;
侯本伟
-
-
摘要:
为满足给水系统日常管理对短期需水量预测时效的需求,建立了所需训练时间短的核极限学习机模型(kernel-based extreme learning machine,KELM);从提升预测精度的角度考虑,构造了以傅里叶级数为理论依据的残差修正模块(Fourier se-ries,FS),利用该模块对需水量初始预测值与观测值之间的差值进行建模,完成对初始预测值的残差修正,将该模块叠加于KELM模型上形成了组合预测模型(KELM+FS).通过实际数据对模型进行性能测试,结果表明:KELM模型能够与人工神经网络模型、支持向量回归模型产生相似的预测精度,但预测时间仅为二者平均值的5%左右;组合模型KELM+FS在未显著增加预测时间的前提下,比KELM模型相对预测精度提升了12%左右.在用于短期需水量预测时,无论单一模型KELM还是组合模型KELM+FS都能达到有效提升预测效率的目的.
-
-
李琨;
张久亭
-
-
摘要:
多尺度排列熵(MPE)是一种非线性动力学方法,广泛应用于旋转机械的故障诊断。然而,排列熵没有考虑具有相同排列模式的时间序列可能具有不同的振幅,并且粗粒化方法存在缺陷。为解决上述问题,提出时移多尺度振幅感知排列熵(TSMAAPE)。利用时移时间序列改善MPE中粗粒度时间序列存在的不足,同时引入振幅感知排列熵。通过与时移多尺度排列熵和多尺度振幅感知排列熵进行对比,验证TSMAAPE的鲁棒性。考虑到TSMAAPE在特征提取方面的优势,结合鲸鱼优化算法优化的核极限学习机,提出一种液压泵智能故障诊断方法。结果表明:该方法对液压泵的不同故障具有较好的分类准确率,在故障诊断领域有广阔的应用前景。
-
-
马飞燕;
李向新
-
-
摘要:
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。
-
-
李鹏;
王青宁;
单钰强
-
-
摘要:
针对大多数路面裂缝检测算法对坑洼、松散和车辙等复杂病害分割适应较差的问题,提出了一种基于训练样本自动选取与改进的核极限学习机相结合的检测方法。首先使用二维Otsu选取训练样本并提取LBP特征和HOG特征,然后采用遗传算法对核极限学习机中随机给定的输入权值和隐含层偏差进行优化,将降维后得到的特征向量作为特征属性对改进的核极限学习机进行训练,最后用训练好的分类器对路面病害进行检测。经实验证明,该算法与对比实验相比分割精度提高了24.8%,运行时间为4.31 s,是一种鲁棒性较强的检测方法。
-
-
赵云;
宿磊;
李可;
顾杰斐;
卢立新
-
-
摘要:
针对滚动轴承发生故障时非线性信号特征难以提取导致诊断效率较低的难题,提出一种基于参数优化改进的多尺度排列熵(Multi-scale permutation entropy,MPE)与核极限学习机(Kernel extreme learning machine,KELM)相结合的故障诊断方法。首先,使用关联积分法(C-C算法)对MPE的嵌入维数和时间延迟进行优化;其次,计算滚动轴承振动信号在选定的经验参数与优化参数下各尺度的排列熵值并以此构建特征向量;最后,利用KELM对滚动轴承进行故障分类。结果表明,参数优化后的MPE结合KELM的故障诊断方法能够有效地提取出故障特征进而很好地实现故障诊断。
-
-
刘新建;
孙中华
-
-
摘要:
在核极限学习机(Kernel Based Extreme Learning Machine,KELM)分类应用的基础上,结合狮群算法(Loin Swarm Optimization,LSO)强全局寻优能力与收敛快的特性,提出一种LSO优化KELM算法。将测试准确率作为LSO优化KELM的适应度函数,根据移动位置获取最优适应度值进行数据分类测试的评价标准。采用UCI数据集仿真测试,实验结果表明,较KELM分类,LSO优化KELM可获得更优的分类准确率;较麻雀搜索算法(Sparrow Search Algorithm,SSA)优化KELM,LSO优化KELM收敛速度快,分类性能更优。
-
-
何昌龙;
曲丽萍;
张杰;
高泰路
-
-
摘要:
针对电能质量扰动信号分类识别的需要,以及BP(Back Propagation)网络分类器模型计算量大、训练时间长、计算速度无法满足电力系统在线分析要求等问题,提出一种蜂群优化核极限学习机分类器模型,采用小波变换提取电能质量扰动信号的特征向量作为样本,使用最优参数下的核极限学习机分类识别电能质量扰动信号.仿真结果表明:与未优化极限学习机相比,蜂群优化核极限学习机分类器分类识别的正确率提高了20%,误判率降低3%,蜂群优化核极限学习机分类模型对电能质量扰动识别具有一定的效果.
-
-
吴滨源;
李建文;
李永刚;
王月;
刘淇玉;
杨夷南
-
-
摘要:
当大量逆变器接入电网时,会发生谐波不稳定问题。并网逆变器dq阻抗的准确获取是分析该问题的关键前提之一。仅基于知识驱动的白箱建模方法难以适应工程现场信息保密的实际情况,黑箱或灰箱测量方法会向实际系统持续注入谐波扰动;仅基于数据驱动的方法难以合理确定输入变量。针对这些缺陷,提出了一种基于知识和数据联合驱动的并网逆变器多工况dq阻抗获取方法。首先,基于知识驱动建立小信号模型以选取输入变量;然后,结合数据驱动具有较好拟合输入输出变量间非线性关系的优点,采用基于遗传算法的核极限学习机获取多工况dq阻抗;最后,借助RT-LAB搭建半实物实时仿真平台,验证所提方法的有效性及优越性。
-
-
田艳丰;
王顺;
王哲;
刘洋;
邢作霞
-
-
摘要:
风速、风向的随机性导致风电场功率具有很大波动,对风电功率的精确预测在提高电网运行能力,增强电网接收风电能力和适时安排风电场检修计划等方面提供重要依据。提出了一种粒子群优化核极限学习机(PSO-KELM)算法;对风电机组SCADA数据进行预处理,补充和纠正异常数据;针对极限学习机的复共线性问题提出基于核函数的改进极限学习机,避免了极限学习机输出结果的随机性;采用粒子群优化算法对KELM核函数中的惩罚因子和径向参数值进行优化,建立了基于粒子群优化的极限学习机模型。与BPNN与RBFNN等其他方法相比,真实风电场数据验证了该模型的预测精度。
-
-
金辰曦;
卢先领;
徐宇颂;
刘如浩;
张家想
-
-
摘要:
针对短期电力负荷预测精度低、泛化能力弱等问题,提出了一种基于相似日选取与多集成组合的短期电力负荷预测模型。首先利用最大信息准则MIC(maximal information coefficient)选取高相关变量作为模型输入;然后综合考虑MIC与灰色关联度,对气象敏感性较弱地区的负荷进行相似日选取;最后引入集成随机子空间、自适应增强、堆叠-神经网络的框架组合多核核极限学习机,对待预测日进行回归拟合,输出最终预测结果。采用马来西亚柔佛州供电公司提供的负荷数据进行算例分析,结果表明,相比于随机森林、BP神经网络和循环门控单元,所提模型的预测精度更高、泛化能力更强。
-
-
逄珊;
于向财;
杨欣毅;
林学森
- 《第17届全国非线性振动暨第14届全国非线性动力学和运动稳定性学术会议》
| 2018年
-
摘要:
深度学习将特征的表示学习和模式分类集成到同一个框架下,可直接从振动信号逐层提取高度抽象、紧致的特征,不需繁琐的人工提取特征.近年来,基于深度学习的诊断方法取得了比支持向量机等浅层模型方法更好的诊断性能,成为故障诊断领域新的研究趋势.然而现有研究大多致力于解决训练和测试数据源于相同工况的封闭假设任务.当工况变化时,其诊断性能严重衰退.针对此问题,本文提出一种新的解决方案,利用深度自编码器从振动信号的频谱中提取深度特征,采用核极限学习机作为顶层分类器进行故障诊断.将新方法与现有的深度学习方法进行综合比较试验,对变工况下旋转机械故障数据的诊断结果表明:新方法对工况变化具有良好的泛化性能,显著提高了变工况条件下的故障诊断精度.
-
-
-
-
DUN Bosen;
敦泊森;
LIU Chenxi;
柳晨曦;
WANG Fengtao;
王奉涛
- 《第二十八届全国振动与噪声高技术应用学术会议》
| 2018年
-
摘要:
提取滚动轴承有效的故障特征参数是轴承故障诊断重要的组成部分,为改善核极限学习机(Kernel Extreme Learning Machine,KELM)高维数据特征选取的问题,提出一种结合稀疏自动编码器(Sparse Auto-Encoder,SAE)与KELM的方法.首先,提取振动信号的时域、频域和时频域特征构成高维特征向量;其次,采用多层SAE融合高维特征来消除特征的冗余性;最后,采用融合后的特征训练KELM,得到故障诊断模型.针对KELM对参数敏感的缺陷,采用萤火虫算法(IF)进行参数优化.为评估方法有效性,采用实验数据进行测试,并与传统KELM方法进行比较,结果显示该方法具有更好准确性和稳定性.
-
-
王波;
邓智文;
师建强;
贺文虎;
唐世建
- 《中国航空学会第十八届航空发动机自动控制专业学术交流会》
| 2016年
-
摘要:
航空发动机气路部件故障将引起发动机性能的衰退,使得航空发动机工作能力下降.本文通过对某型航空双轴涡扇发动机数据样本气路部件故障种类归类,建立基本的样本数据库,在MATLAB中采用BP神经网络/支持向量机(SVM)和极限学习机(ELM)诊断算法对样本数据库进行训练和诊断,结果表明,ELM具有更加准确和快速的诊断能力,对该算法进一步研究发现,加入核函数的极限学习机(KELM)诊断算法准确率更高、运行耗费时间更少,更适合作为航空发动机气路故障诊断算法.
-
-
-
-
-
-
-
-
-
-
- 江苏大学
- 公开公告日期:2022-08-19
-
摘要:
本发明公开了基于麻雀搜索算法优化混合核极限学习机的变压器故障诊断方法,包括步骤:1)收集变压器在六种状态下运行的数据,对数据进行预处理;2)搭建混合核极限学习机预测模型;3)确定SSA中种群规模、发现者比例、预警者比例和目标函数参数,并对种群进行初始化处理;4)选取argmin(TrainErrorRate)训练样本的错误率作为SSA的适应度函数;5)将种群状态信息传递给HKELM网络,获得不同的HKELM网络;6)训练HKELM网络,获得适应度值;7)比较适应度值,更新种群状态;8)判断更新过程是否满足要求;9)输出最优参数并带入HKELM网络中,用优化后的网络对变压器故障进行诊断。该方法在保证网络具有良好泛化性能的同时,还能极大地提高了前向神经网络的稳定性和学习速度。
-