基于改进极限学习机的公交站点短时客流预测方法

以公交车IC 卡和GPS数据为基础，提出了一种基于改进粒子群算法优化极限学习机(IPSO-ELM)的公交站点短时客流预测模型.依托IC 卡和GPS 数据在站点的特征表现和内在联系，定义了站点间距，并分析了站间距和车辆到总站距离间的联系；提出了公交乘客上车站点确定方法，进而得到公交站点上车客流量；通过分析公交客流数据特征，确定ELM输入参数维度，并采用IPSO 算法找到ELM的最优隐含层节点参数；最后依托广州市19 路公交车客流数据仓库进行了方法验证.结果表明：所用优化后的ELM方法预测误差在10%以内，并与应用广泛的SVM、ARIMA和传统ELM模型进行对比分析，发现改进的ELM方法拥有更高的可靠性和泛化性能.     

基于改进极限学习机的公交站点 短时客流预测方法

以公交车IC 卡和GPS数据为基础，提出了一种基于改进粒子群算法优化极限学习机(IPSO-ELM)的公交站点短时客流预测模型.依托IC 卡和GPS 数据在站点的特征表现和内在联系，定义了站点间距，并分析了站间距和车辆到总站距离间的联系；提出了公交乘客上车站点确定方法，进而得到公交站点上车客流量；通过分析公交客流数据特征，确定ELM输入参数维度，并采用IPSO 算法找到ELM的最优隐含层节点参数；最后依托广州市19 路公交车客流数据仓库进行了方法验证.结果表明：所用优化后的ELM方法预测误差在10%以内，并与应用广泛的SVM、ARIMA和传统ELM模型进行对比分析，发现改进的ELM方法拥有更高的可靠性和泛化性能.     

LM-CDBN超高层变形预测模型的构建与应用

为提高超高层建筑变形预测精度，对附有条件的深度信念网络（conditional deep belief network，CDBN）模型中权值及阈值调整方法进行了改进，使用LM （Levenberg-Marquardt）算法作为新的模型定权机制，构建了LM-CDBN网络模型；将构建的LM-CDBN超高层变形预测模型应用于一座298 m超高层建筑中；然后用训练误差、预测值拟合度、预测结果稳定性组成的综合评价体系对模型进行了评价；最后，将LM-CDBN模型分别与深度信念模型（deep belief network，DBN）、极限学习机（extreme learning machine，ELM）、基于无迹卡尔曼滤波的支持回归向量机（unscented Kalman filter-support vector regression，UKF-SVR）进行了预测结果对比. 结果表明:在超高层建筑的变形预测中，相比DBN、ELM和UKF-SVR，LM-CDBN预测精度分别提升了32%、55%及24%，模型的信息提取稳定性及处理时变系统非线性问题的泛化能力得到了提高.      

A Statistical Parameter Analysis and SVM Based Fault Diagnosis Strategy for Dynamically Tuned Gyroscopes

Gyro's fault diagnosis plays a critical role in inertia navigation systems for higher reliability and precision. A new fault diagnosis strategy based on the statistical parameter analysis (SPA) and support vector machine (SVM) classification model was proposed for dynamically tuned gyroscopes (DTG). The SPA, a kind of time domain analysis approach, was introduced to compute a set of statistical parameters of vibration signal as the state features of DTG, with which the SVM model, a novel learning machine based on statistical learning theory (SLT), was applied and constructed to train and identify the working state of DTG. The experimental results verify that the proposed diagnostic strategy can simply and effectively extract the state features of DTG, and it outperforms the radial-basis function (RBF) neural network based diagnostic method and can more reliably and accurately diagnose the working state of DTG.     

基于多尺度卷积类内迁移学习的列车轴承故障诊断

考虑变工况下列车轴承振动数据分布不一致情况下, 传统深度学习诊断模型的泛化能力下降, 提出了一种多尺度卷积类内自适应的深度迁移学习模型; 模型利用改进的ResNet-50网络分析振动数据的频谱, 得到了中间层次特征, 构造了多尺度特征提取器, 从不同尺度处理中间层次特征得到高层次特征; 将高层次特征作为分类器的输入, 同时计算了伪标签以缩短在不同工作条件下收集的振动信号的条件分布距离来进行类内匹配; 为了验证模型的通用性和优越性, 将提出的模型分别用于列车轮对轴承数据集和凯斯西储数据集的多个工况进行试验验证和分析。研究结果表明: 通过对齐不同域中同一类样本的高层次特征作为分类器的输入, 提出的模型获得了更为理想的故障诊断精度; 在列车轴承6个变工况诊断实例中, 平均诊断精度为90.75%, 与传统深度学习模型相比, 模型诊断精度平均提高了约10%, 召回率为0.927;在凯斯西储数据集的12个变工况诊断实例中, 模型平均诊断精度达99.97%, 比传统模型提高约10%。可见, 利用伪标签减小了不同域之间的条件分布差异, 很好地处理了源域和目标域数据分布不一致的问题; 多尺度特征提取器能从不同尺度对齐样本的高层次特征, 增强了模型的泛化性与鲁棒性, 是解决变工况列车轴承故障诊断问题的一种有效模型。      

一种改进的反向传播算法在机械故障模式识别中的应用

反向传播算法在机械故障模式识别中得到广泛的应用,但在实践中发现标准的反向传播法的收敛速度不快,模式识别能力有发,针对这些缺点进行改进,提出了一种改进的反向传播算法,大大提高了ＢＰ网络的收敛速度和模式识别能力,然后以变速箱故障模式识别为例进行了验证。     

基于改进SBELM的耦合故障诊断方法

为了对主减速器的耦合故障进行识别,通过对振动信号经过集成经验模态分解(ensemble empirical mode decomposition, EEMD)所获得的高频分量采用自适应阈值降噪和对低频分量采用区间阈值降噪,有效去除了信号噪声,创建了配对多标签分类策略(paired multi-label classification,PMLC).基于PMLC和稀疏贝叶斯极限学习机(sparse Bayesian extreme learning machine, SBELM)用单故障样本构造概率分类器集,再采用网格搜索方法生成最优决策阈值,将分类器集的概率输出转换为耦合故障模式,提出了基于自适应区间阈值降噪和SBELM的耦合故障诊断方法,并用主减速器的实际样本集验证了该方法的性能.研究结果表明:该方法的诊断精确度达到96.1%,比基于PNN(probability neural networks)和SVM(support vector machine)的诊断方法提高了5%;该方法的训练时间和执行时间为131.4和61.3 ms,比基于SVM的诊断方法减少了70%.      

Online sequential extreme learning machine based multilayer perception with output self feedback for time series prediction

This study presents a time series prediction model with output self feedback which is implemented based on online sequential extreme learning machine. The output variables derived from multilayer perception can feedback to the network input layer to create a temporal relation between the current node inputs and the lagged node outputs while overcoming the limitation of memory which is a vital part for any time-series prediction application. The model can overcome the static prediction problem with most time series prediction models and can effectively cope with the dynamic properties of time series data. A linear and a nonlinear forecasting algorithms based on online extreme learning machine are proposed to implement the output feedback forecasting model. They are both recursive estimator and have two distinct phases: Predict and Update. The proposed model was tested against different kinds of time series data and the results indicate that the model outperforms the original static model without feedback.     

基于EEMD-Hilbert和FWA-SVM的滚动轴承故障诊断方法

为有效提取非平稳特性的滚动轴承振动信号特征,提高故障诊断效率,提出一种采用集合经验模态分解（empiricalmode?decomposition,EEMD）、Hilbert变换的特征提取方法,并利用烟花算法优化支持向量机（support vector machine,SVM）分类参数的滚动轴承故障诊断方法. 通过EEMD方法将目标信号分解成若干个模态函数,采取Hilbert变换获取模态函数的瞬时频率,并对模态函数及其瞬时频率进行统计特征提取,从而实现特征的有效降维. 结果表明:信号经过EEMD-Hilbert处理后特征能有效提取,将训练集和测试集各600组数据代入烟花算法优化SVM模型得到测试集正确率为99.63%;比传统的遗传算法和粒子群算法优化模型分别提高0.4%和0.2%左右;同时收敛时间更短,验证了该算法模型的可行性与有效性.      

层次极限学习机用于高光谱图像预测绝缘子污秽度

高光谱图像具有图谱合一、光谱范围广及分辨率高等优势，能精细化地反映物质微观特性. 为此，引入高光谱成像技术以非接触式预测绝缘子污秽度. 考虑到极限学习机具有学习效率高和泛化能力强等优点，提出基于正则化约束极限学习机的绝缘子污秽度预测（extreme learning machine-insulator pollution degree prediction，ELM-IPDP）模型. 此外，为进一步提升预测性能，引入层次极限学习机从复杂的高光谱图像中学习出有效、抽象、判决性特征表示，继而建立基于层次极限学习机的绝缘子污秽度预测（hierarchical ELM-IPDP，HELM-IPDP）模型. 在不同的训练集与测试集比例和不同隐含层神经元个数的情况下分别进行实验，从实验结果可知:ELM-IPDP模型和HELM-IPDP模型的预测性能基本上随着隐含层神经元个数和训练样本的增加而不断提高；当训练集与测试集比例为9∶1时，ELM-IPDP模型的均方根误差和相关系数分别为0.040 3和0.944 7，而HELM-IPDP模型的均方根误差和相关系数分别提升到0.022 3和0.972 0.      

Multi-Step Model Predictive Control Based on Online Support Vector Regression Optimized by Multi-Agent Particle Swarm Optimization Algorithm

As optimization of parameters affects prediction accuracy and generalization ability of support vector regression (SVR) greatly and the predictive model often mismatches nonlinear system model predictive control, a multi-step model predictive control based on online SVR (OSVR) optimized by multi-agent particle swarm optimization algorithm (MAPSO) is put forward. By integrating the online learning ability of OSVR, the predictive model can self-correct and adapt to the dynamic changes in nonlinear process well.     

Soft-Sensing Method with Online Correction Based on Semi-Supervised Learning

Soft sensing has been widely used in chemical industry to build an online monitor of the variables which are unmeasurable online or measurable online but with a high cost. One inherent difficulty is insufficiency of the training samples because the labeled data are limited. Besides, the traditional soft-sensing structure has no online correction mechanism. The forecasting result may be incorrect if the working condition is changed. In this work, a semi-supervised learning(SSL) method is proposed to build the soft-sensing model by use of the unlabeled data. Meanwhile, an online correction mechanism is proposed to establish a soft-sensing approach. The mechanism estimates the input variables at each step by a prediction model and calibrates the output variables by a compensation model. The experimental results show that the proposed method has better prediction accuracy and generalization ability than other approaches.     

小置信范围下指示函数的沃尔什逼近

讨论了基于统计学习理论中满足较小置信范围时,采用沃尔什函数逼近机器学习响应函数,从而在结构风险最小化原则条件下使风险泛函最小,保证了小样本环境下机器学习的误差最小,并且获得较好的学习推广能力.     

基于TVAR的非平稳工况转子故障诊断技术研究

分析比较了基于时变参数自回归模型(TVAR)时频分析方法与基于非参数模型的典型传统时频分析方法--STFT、CWD对非平稳信号进行分析时的时频性能和特点,TVAR方法得出的时频图具有分辨率高、无交叉干扰项以及计算速度快等优点.基于TVAR分析了从转子实验台上采集的加速过程无故障及故障状态下的振动信号,分析结果有效地揭示了变速非平稳过程转子振动信号的特性和故障特征.仿真和实验都证明TVAR非常适用于旋转机械非平稳振动信号分析.     

Logistic Regression Based Arc Fault Detection in Photovoltaic Systems Under Different Conditions

This paper investigates direct current(DC) arc fault detection in photovoltaic system. In order to avoid the risk of fire ignition caused by the arc fault in the photovoltaic power supply, it is urgent to detect the DC arc fault in the photovoltaic system. Once an arc fault is detected, the power supply should be cut off immediately. A lot of field experiments are carried out to obtain the data of arc fault current of the photovoltaic system under different current conditions. Cable length, arc gap, and the effects of different sensors are tested.These three conditions are the most significant features of this paper. Four characteristic variables from both the time domain and the frequency domain are extracted to identify the arc fault. Then the logistic regression method in the field of artificial intelligence and machine learning is originally used to analyze the experimental results of arc fault in the photovoltaic system. The function between the probability of the arc fault and the change of the characteristic variables is obtained. After validating 80 groups of experimental data under different conditions,the accuracy rate of the arc fault detection by this algorithm is proved to reach 100%.     

基于Sugeno模糊模型的CNC机床故障诊断方法

通过将Sugeno模糊模型用于数控机床故障诊断系统的方式,实现了对各个诊断专家诊断结果的模糊综合,消除了诊断专家诊断结论的随意性,保证诊断结论的准确.利用此方法基于诊断专家系统技术可以实现对数控机床的自动诊断,诊断结果准确可靠.     

嵌入式系统在数控设备故障诊断系统中的实现

分析传统数控机床故障诊断弊端,结合现代数控机床的特点,将嵌入式系统引入到传统的电机故障领域,并将其作为数控机床一个组成部分,以改进诊断系统的实用性、结构紧凑性和智能性．     

一种交流电机故障诊断中的特征提取与强化

为提高电机故障诊断的准确率和有效性,提出了一种故障特征提取与强化的新方法.即在对所采集的交流电机振动加速度信号进行数据预处理之后,用盲源分离方法进行独立振动源的分离,然后采用小波包分析方法进行特征提取,并进行特征频带的简化及特征强化处理,特征强化后的数据作为交流电机故障诊断模型的输入.该方法通过对振动加速度信号进行分离,能够分离出混合信号中的独立振动源,提高了故障特征提取的正确率和准确度;通过对特征频带化简,减少了故障诊断模型的输入,进而简化了模型的结构;特征强化使模型能够更有效地识别故障状态.     

数据驱动跟驰模型综述

车辆跟驰模型是被交通科学与交通工程领域广泛认可的微观交通流模型，是交通流理论 的基础。近年来，信息感知与获取、大数据、人工智能等技术快速发展，推动了数据驱动跟驰模型 的快速发展。数据驱动跟驰模型，是以真实的车辆行驶数据为基础，利用数据科学与机器学习等 理论和方法，通过样本数据的训练、学习、迭代、进化，挖掘车辆跟驰行为的内在规律。本文系统 回顾了数据驱动跟驰模型在过去20余年的发展历程以及由神经网络和深度学习带动的两次研究 热潮，归纳了基于传统机器学习理论的跟驰模型、基于深度学习的跟驰模型、模型与数据混合驱 动的跟驰模型3类数据驱动跟驰模型，并分别介绍了其中的典型代表。分析数据源发现，尽管各 种高精度轨迹数据不断涌现，目前研究仍多使用美国于2006年发布的Next Generation Simulation (NGSIM)高精度车辆轨迹数据，模型的可移植性和泛化能力值得思考与研究。提出关于模型输 入、输出的3个问题：如何考虑更多驾驶行为变量，是否有必要考虑更多行为变量，现有输入、输出 是否可替换。在模型测试与验证方面，发现并讨论了目前测试不充分、对比不完整、缺少统一测 试集与测试标准等问题。最后，探讨了数据驱动跟驰模型原创性与成功的关键因素等问题。期 望通过本文的梳理，帮助研究者更好地了解数据驱动跟驰模型的过去与现状，促进相关研究的快 速发展。     

基于GRA 与KPCA 的LSSVM 物流需求预测

为降低物流需求建模中最小二乘支持向量机（LSSVM）的结构复杂性、进一步提高LSSVM对物流需求的预测精度,提出一种基于灰色关联分析（GRA）与核主成分分析（KPCA）的LSSVM预测方法.首先利用GRA找出物流需求的主要影响因素;然后利用KPCA提取主要影响因素的非线性主成分,消除因素之间的多重相关性;最后,将提取出的非线性主成分作为LSSVM的输入变量,构建物流需求预测模型,并采用改进粒子群 (IPSO)算法调整LSSVM参数.运用该方法对我国物流需求进行实例分析,结果表明,该方法有效减少了LSSVM输入变量个数,简化了LSSVM结构,并且在一定程度上提高了物流需求预测精度.