无人装备一般数量众多、执行任务时间长、环境恶劣, 因此剩余使用寿命(RUL)预测尤为重要。综合性能指标序列使用单一模型的预测精度较低, 为解决此问题, 提出基于Kalman融合模型的RUL预测方法。首先, 采用面积最大值法提取无人装备关键部件综合性能指标的退化阶段; 其次, 利用具有指数特征的GM(1,1)模型、线性支持向量机SVR模型、非线性极端学习机(ELM)模型对综合性能指标进行预测, 每种模型可以捕捉综合性能指标的不同特征; 最后, 通过Kalman框架将3种模型的预测结果以迭代最小二乘的原则进行融合。实验结果显示, Kalman融合模型的预测方法可显著提高对综合性能指标的预测精度, 与ELM, SVR和GM(1,1)单一模型相比, 拟合精度分别提高了16.96%, 1.61%和39.84%, 预测精度分别提高了45.06%, 38.35%和74.12%。
剩余寿命预测 GM(1,1)模型 极端学习机(ELM) SVR支持向量机 Kalman融合模型 RUL prediction GM(1,1) model Extreme Learning Machine (ELM) SVR support vector machine Kalman fusion model
针对传统室内可见光定位精度较低、基于神经网络的室内可见光定位收敛速度慢且泛化能力弱等问题,提出一种结合基于Circle混沌映射的优化麻雀搜索算法-极限学习机(ISSA-ELM)神经网络和接收信号强度指示(RSSI)的室内可见光定位方法,在考虑天花板、墙壁和地板反射作用的情况下,将每个参考点处的RSSI和光电探测器的真实位置坐标作为训练集数据,对优化后的ISSA-ELM神经网络模型进行训练,建立室内可见光定位预测模型,并利用测试集对定位模型进行测试。仿真结果表明,优化后的ISSA-ELM神经网络的训练时间为0.0454 s,平均定位时间为3.5 ms,在5 m×5 m×3 m的室内环境,对位于0、0.5、1.0、1.5 m高度参考点的平均定位误差分别为1.01、1.14、1.36、3.87 cm,相比极限学习机(ELM)神经网络的定位精度分别提高了20.47%、19.72%、37.91%、42.32%。因此,所提的室内可见光定位方法具有定位速度快、定位精度高、系统性能稳定等优点。
光通信 Circle混沌映射 麻雀搜索算法 ELM神经网络 室内定位
1 华北电力大学 电子与通信工程系
2 河北省电力物联网技术重点实验室
3 保定市光纤传感与光通信技术重点实验室, 河北 保定 071003
针对光纤布拉格光栅(Fiber Bragg Grating, FBG)应变传感器受环境温度影响而造成的波长漂移问题, 提出粒子群优化(Particle Swarm Optimization, PSO)结合滑动窗口极限学习机(Sliding Window Extreme Learning Machine, SWELM)的在线预测算法对其进行温度补偿。利用PSO算法优化SWELM网络滑动窗口和隐含层神经元数目, 提升了模型的预测精度, 模型预测均方根误差最小能达到0.06pm。PSO-SWELM实现了对应变传感器数据的在线更新及波长漂移预测, 对实时测量数据和预测数据进行差分运算完成温度补偿。与SWELM的对比分析结果表明, PSO-SWELM算法的预测精度平均提升了11.04%, 并具有良好的温度补偿效果。
极限学习机 光纤布拉格光栅 应变传感器 粒子群优化 温度补偿 ELM FBG strain sensors particle swarm optimization temperature compensation
1 国家农业信息化工程技术研究中心,北京 100097
2 北京农业信息技术研究中心,北京 100097
3 农业农村部农业信息软硬件产品质量检测重点实验室,北京100097
番茄叶片在感染病害后首先发生的是内在生理反应, 肉眼无法观察到。 叶片从被感染到出现肉眼可见病斑期间, 称为叶片病害潜育期。 为了实现番茄叶片表面未见明显病斑的灰霉病潜育期诊断, 对接种样本进行叶片编码、 跟踪、 采集所有编码叶片样本1~8 d连续高光谱图像数据, 建立番茄叶片样本时序高光谱数据集。 采用跟踪的叶片样本出现肉眼可见病斑前几天同一位置区域的高光谱数据作为潜育期感兴趣区域进行检测分析。 为了建立番茄叶片灰霉病潜育期诊断和不同病斑等级分类模型, 采用基于教学优化算法(TLBO)优化极限学习机(ELM)的分类模型进行建模。 通过TLBO算法优化ELM的输入权值和隐藏层的偏差, 提高模型分类性能。 利用高光谱成像系统在近红外高光谱波段388~1 006 nm波段获取五个等级的感兴趣区域进行数据建模, 共采样213个高光谱数据, 其中, 健康类(56个)、 潜育期类(42个)、 小病斑类(43个)、 大病斑类(39个)和严重类(33个)。 通过对比不同的光谱预处理方法, 采用效果最好的小波滤波变换(DWT)对样本数据中每类数据分别滤波。 DWT滤波后, 在610~840 nm波段间五个等级光谱曲线能区分明显, 共包含91个波长, 波长数量较多。 因此, 采用竞争性自适应重加权抽样法(CARS)对采用DWT预处理后的光谱数据在610~840 nm波段重复3次优选特征波长, 合并去除重复项后得到9个特征波段: 694, 696, 765, 767, 769, 772, 778, 838和840 nm。 最后分别选取全波段FC、 610~840 nm波段、 CARS提取的9个特征波段建立3个分类模型FC-TLBO-ELM, DWT-TLBO-ELM, DWT-CARS-TLBO-ELM进行对比, 其中DWT-CARS-TLBO-ELM检测精确度最高达100%, 潜育期召回率100%, 利用时间最短为0.068 9 s, 表明该模型可以实现番茄灰霉病潜育期高精度诊断和灰霉病病害程度高精度分类, 为番茄灰霉病早期防治、 精准施药提供理论依据。
时序高光谱数据 灰霉病程度分类 潜育期诊断 极限学习机 教学优化算法 Time series hyperspectral data Classification of botrytis degree Hyperspectral gleying diagnosis ELM TLBO 光谱学与光谱分析
2022, 42(9): 2969
1 空军工程大学,a.研究生院
2 空军工程大学,b.防空反导学院, 西安 710000
针对网络安全态势预测, 为提高预测的精确度和预测算法的收敛速度, 提出一种改进遗传粒子群算法优化极限学习机(IGAPSO-ELM)的预测方法。首先, 改进GAPSO中的惯性权重和学习因子, 通过定义动态指数函数使算法在执行的不同阶段实现两种参数自适应; 其次, 针对GAPSO中人为设定的固定交叉率和变异率, 提出一种自适应交叉和变异策略; 最后, 以IGAPSO优化ELM的初始权值和偏差。IGAPSO既保证了种群的多样性, 又提高了算法的收敛速度。通过仿真实验对比得出: IGAPSO-ELM对网络安全态势预测拟合度可达0.99, 收敛速度相较于对比算法有大幅度提升。
网络安全态势预测 遗传粒子群算法 极限学习机 自适应调整 network security situation prediction Genetic Algorithm and Particle Swarm Optimization Extreme Learning Machine (ELM) adaptive adjustment
海军大连舰艇学院信息系统系,辽宁 大连 116000
针对传统的通信对抗干扰效果评估方法无法在战时进行实时评估的问题,提出一种基于GA-ELM的在线评估方法。以Link-16为干扰研究对象,首先分析选取其抗干扰行为参数,建立样本库,之后利用极限学习机(ELM)对样本参数进行分类学习,同时使用改进的遗传算法(GA)优化ELM,得到GA-ELM模型。实验结果表示,使用GA-ELM在线评估方法,以抗干扰行为参数为依据,能够得出干扰效果在线评估结果。新方法克服了传统方法无法应用于战时的缺点,更加贴近实战。
通信对抗 干扰效果 在线评估 极限学习机 遗传算法 communication countermeasure jamming effect online evaluation Extreme Learning Machine (ELM) Genetic Algorithm (GA)
河南科技大学农业装备工程学院, 河南 洛阳 471003
双孢蘑菇质地柔嫩、 营养丰富, 具有很好的降血压、 降血脂、 消炎护肝等多种保健价值, 其新鲜度是反映内外部品质的重要指标之一。 目前双孢蘑菇新鲜度鉴别大多依据其外观品质变化(褐变), 缺乏精准的量化评价指标与方法, 因此提出了以贮藏天数为新鲜度检测的量化指标, 并利用近红外光谱技术对双孢蘑菇新鲜度进行检测分析。 依据存储天数不同, 将双孢蘑菇样本分为1~5组, 每组40个样本, 依次采集每组双孢蘑菇的近红外光谱数据。 针对采集的原始光谱数据, 首先选用卷积平滑滤波(SG)与多元散射校正(MSC)消除原始光谱噪声、 基线平移以及光散射的影响, 并选取399.81~999.81 nm的光谱波段作为数据处理范围; 然后分别使用主成分分析(PCA)和连续投影算法(SPA)进行光谱降维和特征波长选择, 继而建立极限学习机(ELM)分类模型; 同时考虑到ELM模型中初始值对分类准确率影响较大, 分别选用粒子群优化算法(PSO)、 海鸥优化算法(SOA)对ELM中初始权值及阈值进行寻优, 形成PSO-ELM, SOA-ELM优化组合分类模型; 最后分别将全光谱、 提取主成分以及所选的特征波长{556.87, 445.51, 481.15, 885.10, 802.25, 720.90, 861.34, 909.79, 924.44, 873.17 nm}输入到分类模型中, 建立不同输入、 不同分类模型的双孢菇新鲜度检测模型。 最终试验结果表明, 当ELM为分类模型, 以全光谱、 主成分以及特征波长为输入时的预测精度分别为75%, 95%, 88%; 以SPA优选特征波长作为输入的PSO-ELM、 SOA-ELM分类模型训练集精度为96.25%, 93.25%, 预测集精度为92.5%, 94%。 可知, SPA波长选择算法可以有效降低光谱信息中存在的冗余信息, 加快建模效率, 同时海鸥优化算法能较好的优化ELM分类模型的初始参数, 分类精度较ELM模型提高了6.8%, 同时不产生过拟合现象。 因此, 利用光谱特征可以快速、 准确无损的识别双孢蘑菇的新鲜度, 研究结果为便携式双孢蘑菇新鲜度快速无损检测设备的开发提供了理论依据。
近红外光谱 双孢蘑菇 新鲜度 极限学习机 Near infrared Agaricus bisporus Freshness Extreme Learning Machine SOA-ELM SOA-ELM 光谱学与光谱分析
2021, 41(12): 3740
1 南京电子技术研究所, 南京 210000
2 河海大学, 南京 210000
针对强海杂波背景下的海面微弱目标检测问题, 提出基于优化ESMD-ICA的检测算法。利用小波模极大值去噪算法对信号预去噪, 再采用优化ESMD-ICA去噪算法, 最后用优化灰狼算法(GWO)改进的ELM模型对重构的去噪信号做预测。利用IPIX雷达实测数据验证新算法, 实验证明:新算法在抑制海杂波前提下, 未破坏信号的混沌性质, 新预测模型的检测性能远胜于传统预测模型(BP神经网络)。新算法在去噪效果、模型训练与检测时间以及检测器稳定性等方面均表现良好, 有利于算法广泛应用于实际工程。
小波模极大值去噪 灰狼算法 ESMD ESMD wavelet modulus maxima denoising gray wolf optimization ELM ELM IPIX IPIX
1 江南大学物联网工程学院, 江苏 无锡 214000
2 无锡太湖学院物联网工程学院, 江苏 无锡 214000
合成孔径雷达(SAR)目标分类一般通过特征提取和分类决策具体实施。采用3维块匹配滤波(BM3D)去噪算法对SAR图像进行处理, 减轻噪声干扰的影响。在此基础上, 采用极限学习机(ELM)对去噪后的图像进行决策分类。ELM具有很高的分类效率和分类精度, 其对噪声的敏感性可通过BEMD去噪算法克服。因此, 通过结合BM3D以及ELM的优势可提高目标分类的整体性能。基于MSTAR数据集对提出方法进行测试, 结果表明了所提方法的有效性和稳健性。
合成孔径雷达 目标分类 BM3D去噪 极限学习机 Synthetic Aperture Radar (SAR) target classification BM3D denoising Extreme Learning Machine (ELM)
1 桂林理工大学理学院, 广西 桂林 541004
2 大数据处理与算法技术研究中心(桂林理工大学), 广西 桂林 541004
3 北部湾大学海洋学院, 广西 钦州 535011
4 广州华商学院数据科学学院, 广东 广州 511300
采用近红外(NIR)光谱快检技术实现对咖啡蛋白质的定量检测, 研究支持向量机(SVM)和极限学习机(ELM)等机器学习方法在建模分析中的实用性。 结合潜变量分析技术, 建立潜变量SVM(LV-SVM)模型和潜变量ELM(LV-ELM)模型, 通过调试潜变量个数和机器学习关键参数的联合优选, 实现数据降维和机器学习关键参数的同过程优化。 运用定标—验证—测试机制, 利用定标集样本建立咖啡蛋白质的NIR分析模型, 随参数变动形成三维随动优选结构的建模预测结果, 结合验证集样本对模型进行联合优选, 然后将优化模型应用于测试集样本进行模型评价。 LV-SVM建模优选的验证集预测均方根误差为6.797, 对应的测试集预测均方根误差为8.384。 LV-ELM建模优选的验证集预测均方根误差为6.118, 对应的测试集预测均方根误差为7.837。 与常规偏最小二乘(PLS)方法相比较, LV-SVM和LV-ELM方法均取得更好的预测结果, 验证了潜变量机器学习方法在近红外定量分析中的应用优势, 该方法有望应用于不同类型的咖啡各成分含量检测。
NIR光谱 咖啡 蛋白质 潜变量技术 NIR spectroscopy Coffee Protein SVM SVM ELM ELM Latent variable technique 光谱学与光谱分析
2021, 41(5): 1441