基于高光谱成像技术的绝缘子污秽度预测

高光谱成像技术能对绝缘子进行非接触式成像,且具有多波段、图谱合一等特点. 为此,本文提出一种基于高光谱成像技术的绝缘子污秽度预测方法. 首先,利用高光谱成像仪对绝缘子进行成像,得到400～1 000 nm波段范围内的高光谱图像数据,并进行黑白校正;然后,获取感兴趣区域（region of interest,ROI）的反射率光谱曲线,进行Savitzky-Golay平滑、对数或一阶导数变换的预处理. 最后,联合部分的真实样本标签数据分别建立基于支持向量机的绝缘子污秽度预测（support vector machines-insulator contamination degree prediction,SVM-ICDP）和基于偏最小二乘回归的绝缘子污秽度预测（partial least squares regression-insulator contamination degree prediction,PLSR-ICDP）模型. 从实验结果中可知,当预处理方法采用一阶导数变换时,所建立的绝缘子污秽度预测模型效果最佳,即SVM-ICDP模型准确率达到91.84%;PLSR-ICDP模型的均方根误差（root mean square error,RMSE）为0.024 1.      

基于FFOS-ELM和PF的短时交通流自适应预测模型

为提高短时交通流预测精度,提出了一种基于遗忘因子极限学习机(FFOS-ELM)和粒子滤波(PF)的自适应交通流实时预测模型.首先,引入遗忘因子,推导带遗忘因子的极限学习机,通过增量学习方法实时更新预测模型参数,避免由于交通流时变性导致早期数据对预测精度的影响.其次,利用粒子滤波消除随机噪声对预测精度的影响,经迭代计算达到系统状态最优估计与预测能力,实现未来交通量预测精度的提高.最后,利用桂林市某主干路检测器数据进行仿真,将预测结果与基础的极限学习机、带遗忘因子的极限学习机等在线模型以及时间序列(ARIMA)、支持向量机(SVM)、长短期记忆神经网络(LSTM)等离线模型进行比较.结果 表明:自适应预测模型预测误差指标明显下降,均方误差变化维度下降到0～2.5之间,模型在路段整体的交通流拟合情况及具体的预测精度上均得到有效提高.     

基于极限学习机的公交行程时间预测方法

以公交车GPS数据为基础,建立了基于极限学习机方法的公交站点间行程时间预测模型.依据GPS数据在站点附近的特征表现,定义了公交车到站临界点,并分析了临界点处车辆的5种运行状态;提出了公交车到站时刻估算方法,进而得到公交车行程时间数据;通过分析公交车行程时间数据内在特征,确定了极限学习机模型关键参数及其纬度;最后,以长春市88路公交车GPS数据为基础进行了方法验证.结果表明,所用ELM方法预测误差约为11%,并与应用广泛的BP神经网络、RBF神经网络、SVM进行对比分析,发现ELM方法在满足精度前提下拥有更快训练速度与预测可靠性.     

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.     

基于高光谱的复合绝缘子电晕老化状态评估

复合绝缘子由于其良好的憎水性和憎水迁移性在输电线路上得到了广泛应用，而电晕放电会造成复合绝缘子老化加剧而丧失性能. 为此提出了一种基于高光谱技术的复合绝缘子电晕老化状态评估方法. 首先，对全新硅橡胶复合绝缘片进行电晕老化，分析样本的傅里叶红外光谱变化，以傅里叶红外光谱图像作为老化状态分类的依据，将样品分为6个类别；然后，利用高光谱成像仪获取硅橡胶片表面不同波段的反射强度，采用主成分分析（principal component analysis，PCA）对原始谱线进行特征提取；最后，建立基于支持向量机的电晕老化状态评估（support vector machines-insulator corona aging status evaluation，SVM-CASE）模型，对60组预测数据进行分类验证，并对比分析了不同核函数对于模型评估准确率的影响. 高光谱检测及评估结果表明:不同老化时间下试样的高光谱图像有明显的区别，随着老化时间的增加，硅橡胶绝缘材料的光谱曲线在600～900 nm呈现反射率下降趋势；采用PCA算法进行特征提取后，利用polynomial核函数建立的评估模型的分类准确率达93.333%.      

基于离消度和IOWA算子的组合预测模型

引入诱导有序加权平均(IOWA)算子,建立以离消度为准则的变权组合预测模型。通过对粮食产量数据进行预测,依据绝对百分比误差和均方根误差对3种不同的组合模型预测结果进行比较。结果表明:文中提出的基于离消度和IOWA算子的组合模型能够提高样本的预测精度,在实际预测中是可行有效的。     

道路表面水膜厚度预测模型

针对道路表面的坡面水流受降雨和坡面粗糙程度的影响，是一个高度非线性空间分布的过程，一般模型很难精确描述。建立了基于人工神经网络的道路表面水膜厚度预测模型，以降雨强度、坡度、坡长和坡面的粗糙程度为输入层，水膜厚度为输出层，隐含层为6个神经元，通过试验数据的训练，确定了网络的权重和阈值。应用结果表明该模型预测的水膜厚度与测量值的相关系数为0．98，误差平方和为3．08，这说明该模型用于道路表面水膜厚度预估是可行的。     

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%.      

基于近邻和SVM的公交停靠时间预测

为提高公交行程时间预测的准确性,提升公交系统的整体服务水平,提出了一种公交车站点停靠时间预测模型.在考虑上下车人数、在车人数和天气状况等因素对公交停靠时间的影响下,采用训练集样本预筛选操作,分析样本筛选过程中不同抽样率对预测效果的影响,比较基于不同核函数的支持向量机在预测精度上的差异.选取佛山市301路公交线中有代表性的10个站点,用以检验基于近邻的支持向量机模型的预测效果,并分析不同站点的特性.试验结果表明,所提出的模型可以达到较高的预测精度,决定系数为0.4255,均方根误差为9.4737,且计算时间与不进行预筛选时相比,降低约40％.训练集数据的预筛选过程可以缩短模型的计算时间并且降低预测误差,而基于线性核函数的支持向量机比基于其他核函数的预测效果更好.     

NIR Hyperspectral Imaging Measurement of Sugar Content in Peach Using PLS Regression

Near infrared (NIR) hyperspectral imaging measurement of sugar content in peach was introduced. NIR spectral images (650～1 000 nm, resolution: 2 nm) of peach samples were captured with developed hyperspectral imaging setup. Partial least square (PLS) regression prediction model was developed to estimate the sugar content in peach; step-wise backward method was utilized to determine optimal wavelength subsets. Experimental results show that the calibration model with optimal wavelength subsets has a correlation coefficient of prediction of 0.97 and a standard error of prediction of 0.19, the prediction accuracy is higher than the calibration model applied over the whole wavelength, which proves that variable selection plays an important role in improving the prediction accuracy of PLS regression model.     

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.      

基于结构性字典学习的高光谱遥感图像分类

为提高高光谱遥感图像的分类精度,提出了一种新的结构性稀疏表示及字典学习的高光谱遥感图像分类方法.该方法能同时利用高光谱遥感图像像素间的空间及光谱关系得到表示每个像素的字典,被划分为同一像素组的像素具有通用的稀疏模式;由字典计算图像的稀疏表示系数获得遥感图像的稀疏表示特征;利用线性支持向量机算法实现对高光谱遥感图像的分类.对AVIRIS和ROSIS高光谱遥感图像进行的实验结果表明:提出的方法比普通字典学习分类精度分别提高0.041 1和0.046 6,Kappa系数分别提高0.179 3和0.056 3.      

基于层次集成学习的高光谱图像分类

为提高高光谱图像（HSI）分类精度,基于集成学习方法提出高光谱图像分类的层次集成学习新框架。采用两种集成学习策略：外部集成及内部集成。在外部集成阶段,构造多种高光谱图像的光谱和空间特征,使外部集成呈高度多样性,有利于提高分类精度;内部集成阶段,针对关联多特征集中的个体,Adaboost算法实现个体分类性能的提高。两组高光谱数据的实验结果表明,与原始的Adaboost和单分类器相比较,该方法在整体精度方面有更好的性能。     

基于3DCNN-DNN 的高空视频交通状态预测

为使用高空视频识别和预测道路交通状态，提出基于三维卷积神经网络-深度神经网络(3DCNN-DNN)的交通状态预测方法. 将道路切分为D 个路段，每个路段视频片段时长 m s，基于典型3DCNN结构C3D识别路段视频片段交通状态；建立道路? 个历史时段、D 个路段的交通状态矩阵Φ ，将道路交通状态预测问题转化为以Φ 为输入，有限交通状态为输出的分类问题，构建基于DNN的短时交通状态预测模型原型；建立交通视频数据集，对DNN预测模型原型的隐藏层数量、神经元数量及训练批大小进行测试优化，提出有4 隐藏层，各层神经元数量为64/128/128/64，训练批大小为64 的优化模型DNN*.测试结果表明：C3D视频交通态识别平均F1 值为95.71%，DNN*道路交通状态预测准确率为91.18%，比DNN线性分类、KMeans 、KNN、SVM和线性分类分别高6.86%、57.85%、62.26%、26.47%、43.14%；C3D能提供准确的交通状态矩阵，3DCNN-DNN可有效识别和预测道路视频交通状态.     

基于改进RBF神经网络对股价的演变预测

对RBF神经网络进行了分析,建立了RBF神经网络模型,并对此模型进行了改进,使其具有更好的预测性能.把一类非线性较强的时间序列(万科A股2009年6月份股票价格)利用该模型进行了非线性逼近.用Matlab软件对网络的学习与训练过程进行了数值仿真.实验结果表明:利用改进后的网络模型对非线性时间序列进行短期预测是可行的,其预测精度高于改进前的预测精度,改进方法有效.