基于核主成分分析的柴油机技术状态评估

提出了一种基于核主成分分析的柴油机技术状态评估方法,该方法通过跟踪柴油机全寿命周期内的机体振动信号,引入振动信号频域内振动烈度与统计特征值构成特征子集,利用核主成分分析方法获得特征子集的主分量,选用极限学习机对主分量特征样本进行分类和测试,可有效地消除冗余信息,提高识别精度。对柴油机技术状态评估后的结果表明,该方法较主成分分析法识别精度约提高了25个百分点。     

基于相关性准则和R-ELM模型的岩溶隧道涌水量预测研究

为实现隧道涌水量的高精度预测,以相关系数法和极限学习机为理论基础,构建隧道涌水量预测模型。首先,结合工程实例对隧道涌水的影响因素进行分析,并利用相关系数法分析各因素与涌水量之间的相关性,以筛选出重要影响因素;其次,将筛选出的重要因素作为预测模型的输入层,并利用试算法和经验公式优化极限学习机的模型参数,再利用M估计弱化预测误差,进而构建出用于隧道涌水预测的R-ELM模型。研究表明： 1）岩溶隧道涌水灾害的影响因素较多,包括5类一级因素和12类二级因素,不同因素对隧道涌水灾害的影响程度存在一定差异; 2）R-ELM模型预测结果的平均相对误差仅为1.12%,具有较高的预测精度,不仅验证了模型参数优化和M估计优化的有效性,也验证了R-ELM模型在隧道涌水量预测中的适用性。     

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.     

基于前额脑电多尺度小波对数能量熵的驾驶疲劳检测分析

为研究脑机接口（BCI）在交通运输中的应用，减少因疲劳驾驶导致的交通安全事故，提出基于前额脑电（EEG）信号多尺度小波对数能量熵的驾驶疲劳检测方法。首先，设计驾驶仿真模拟试验，利用脑电帽采集26名被试清醒驾驶和疲劳驾驶的前额EEG信号，试验过程中，使用主观检测方法每隔20 min对被试进行问询；其次，应用MATLAB对采集到的EEG数据进行预处理，基于2种驾驶状态形成被试初始样本数据集；进而，在该数据集基础上，利用多尺度熵的概念，提取EEG信号小波对数能量熵（WLE）特征，同时提取经典模糊熵（FE）特征进行比较分析；然后，运用极限学习机（ELM）对提取的特征数据集进行快速有效的精准分类，并使用留一交叉验证法进行验证评估；最后，对比经典FE分类表现，并结合多种性能指标对驾驶疲劳检测结果进行综合比较。研究结果表明：在本文试验条件下，基于多尺度WLE（MWLE）的前额EEG疲劳识别率显著高于基于多尺度FE（MFE）的识别率，其理论平均正确率达91.8%；基于多尺度熵的EEG信号特征提取方法能有效提高驾驶疲劳识别效果和算法效率；多种性能指标表明前额EEG的WLE可以作为衡量驾驶疲劳的有效生理指标；结果验证了采用基于ELM对MWLE的前额EEG信号进行驾驶疲劳检测方法的有效性和实用性，有助于促进可穿戴BCI在疲劳驾驶预警中的应用。