基于ELM的硫熏强度软测量模型

硫熏强度是亚法糖厂澄清工段的关键工艺参数之一。硫熏强度过低会影响澄清效果,过高会造成成品糖二氧化硫残留过高。目前由于缺乏合适的硫熏强度在线测量装置,该参数主要采用人工取样和离线化验的检测方式,化验滞后时间较长,难以根据该指标及时指导实际生产的问题。为此本文采用极限学习机(ELM)方法建立了硫熏强度软测量模型,并与基于支持向量机(SVM)、径向基函数(RBF)神经网络和反向传播(BP)神经网络的硫熏强度软测量模型进行对比分析。结果显示,基于ELM的硫熏强度软测量模型具有训练收敛速度快、模型精度高和泛化性能好等优点,可以满足实际糖厂澄清工段的要求。     

基于改进蜂群算法的果酒总黄酮软测量模型

针对RBF神经网络和支持向量机对果酒总黄酮软测量过程中,存在速度慢和精度低的缺点,提出了基于改进人工蜂群算法的果酒总黄酮软测量模型。该模型利用混沌变量的遍历性和随机性特点,对标准人工蜂群算法进行改进,在种群初始化阶段引入混沌机制,确保个体分布的均匀性,并用信息素和灵敏度模型代替轮盘赌选择策略,使模型避免了过早收敛和提前停滞。仿真实验结果表明,该模型提高了果酒总黄酮软测量的精度,具有收敛速度快,抗噪性较强的特点,便于实现果酒总黄酮的在线测量。     

基于自适应遗忘因子极限学习机的高炉煤气预测

高炉煤气是钢铁企业重要的二次能源,其产生量和消耗量的实时准确预测对高炉煤气系统的平衡调度具有重要作用。但由于高炉煤气系统工况多变、产消量数据波动较大,给高炉煤气产消量的准确预测带来了很大的挑战。为此,通过对煤气产消量数据特征的深入分析,提出了一种基于自适应遗忘因子极限学习机（AF-ELM）的在线预测算法。在序贯极限学习机的基础上,引入遗忘因子逐步遗忘旧样本,通过预测误差反馈机制,自适应的调节遗忘因子,从而提高预测方法对系统工况的动态变化的适应能力,提高预测精度。将该算法应用于钢铁企业的高炉煤气产消量在线预测,实验结果表明与序贯极限学习机相比,该预测方法在系统工况变化的情况下能保持较高的预测精度,更适合于高炉煤气产消量的在线预测。     

基于光谱和改进极限学习机的土壤含盐量分析

研究盐碱地的性质、组成,对于生态环境具有重要意义。传统的含盐量测定方法大多基于化学分析,因其成本高、效率低的缺点使得应用于大面积土地的可行性很低。极限学习机（ELM）作为一种基于前馈神经网络构建的机器学习系统,在许多研究中作为一种光谱处理方法被成功运用。为了改进传统的盐碱地含盐量检测方法,采用光谱学结合改进的极限学习机（ELM）模型的方法对盐碱地进行研究。根据镇赉县采集得到的62个土壤表层样本得到对应的光谱反射率和含盐量数据,提出了基于随机值改进粒子群优化算法（RVIPSO-MELM）优化的多层极限学习机模型。首先使用主成分分析提取光谱数据特征,并使用ELM算法对光谱数据建立分类模型,引入改进的粒子群优化算法以提高精度和速度。该模型结合了具有随机值的多层ELM（RV-MELM）和改进PSO算法的多层ELM（IPSO-MELM）二者的优点,在运用启发式算法搜索最优值的同时还具有随机性,提高了模型优化速度,同时以提高模型性能为目的对隐含层之间参数进行优化和选择。并且该模型可以推广到多层,对隐含层之间的参数的两种选择方法,根据经验公式计算和使用改进的启发式算法搜索,进行了提高模型性能和优化时间的讨论,实践结果表明,选择第一层参数使用改进粒子群优化算法,确定随后的隐含层之间参数选择,使用经验公式进行计算得到一种更具现实意义的方法模型。模型在进行启发式搜索最优值之前,利用蒙特卡罗方法确定一个较好的初值,使得模型能保持较高准确率的条件下,优化速度进一步提高。相比于传统方法,这种光谱分析结合ELM的模型节省时间和经济成本,有一定推广意义。     

改进人工蜂群算法优化ELM分类模型

针对极限学习机(Extreme Learning Machine,ELM)参数优化问题,提出改进人工蜂群算法(Improvement Artificial bee colony, IABC)优化ELM分类模型。算法采用解更新策略池代替固定不变的更新策略,将邻域搜索自适应化;优化侦察蜂搜索方式,利用Kent映射产生均匀性更优的初始随机数序列。在分类数据集中,将IABC-ELM分类模型同ELM、PSO-ELM分类模型进行对比实验。实验中,IABC-ELM模型取得了最佳的分类结果,得到了最低的输出权重范数。结果表明,IABC-ELM模型分类效果显著优于对比模型,证实了IABC算法优化ELM分类模型的有效性和优越性。     

采用优化极限学习机的多变量混沌时间序列预测

基于优化极限学习机理论, 提出一种多变量混沌时间序列预测方法. 该方法利用复合混沌和混沌变尺度算法对极限学习机的模型参数进行搜索和优化, 以提高极限学习机的泛化性能; 然后利用优化后的极限学习机对Rossler耦合系统的多变量混沌时序进行一步和多步预测, 并且与同类算法进行了比较, 结果表明了该方法的有效性, 且算法具有较强的抗噪能力; 最后讨论了预测结果和隐层神经元数目的关系.     

自然循环流动不稳定性的多目标优化极限学习机预测方法

极限学习机是近年来提出的一种前向单隐层神经网络训练算法,具有训练速度快、不会陷入局部最优等优点,但其性能会受到随机选取的输入权值和阈值的影响.针对这一问题,提出一种基于多目标优化的改进极限学习机,将训练误差和输出层权值的均方最小化同时作为优化目标,采用带精英策略的快速非支配排序遗传算法对极限学习机的输入层到隐层的权值和阈值进行优化.将该算法应用于摇摆工况下自然循环系统不规则复合型流量脉动的多步滚动预测,分析了训练误差和输出层权值对不同步长预测效果的影响.仿真结果表明,优化极限学习机预测误差可以用较小的网络规模获得很好的泛化能力.为流动不稳定性的实时预测提供了一种准确度较高的途径,其预测结果可以作为核动力系统操作员的参考.     

基于多目标LSSVM回归的火电厂烟气含氧量软测量

为了提高基于LSSVM的软测量模型的可信度,提出将平均拟合误差、平均预测误差与最大预测误差作为模型参数优化的3个目标,并根据两个预测误差目标之间的差值来设置模型参数选择的偏好;基于某电厂600 MW超临界机组运行时采集的数据,对烟气含氧量进行的建模仿真结果表明:根据偏好选择LSSVM的正则化参数γ与核函数宽度σ可以同时兼顾模型的拟合能力与预测能力,并确保模型的最大预测误差小于一定的上限,从而能够提高模型的可信度;在此基础上,对γ与σ值变化的仿真试验进一步验证了综合考虑上述3个目标来进行模型参数优化选择的合理性。     

轧钢加热炉燃烧工况在线测控系统

针对某大型钢厂轧钢加热炉系统在线实时性不强,采集数据不足,现场管理不便等问题,提出了构建加热炉燃烧工况在线测控系统。利用烟道气分析仪,在加热炉加热段增设多个燃烧气氛采集点,结合PLC和上位机组态软件,可以在线测量炉内不同区段残氧量与可燃物浓度,实现空气过剩系数的在线调整优化。同时,开发了节能量与氧化烧损两个模块,可用于实时估算可实现节能量与钢坯氧化烧损量。项目实施结果表明,炉燃烧工况在线测控系统可以实现加热炉内燃烧状况精确控制,有效降低燃气消耗。     

基于优化核极限学习机的风电功率时间序列预测

针对时间序列预测,在单隐层前馈神经网络的基础上,基于进化计算的优化策略,提出了一种优化的核极限学习机(optimized kernel extreme learning machine,O-KELM)方法.与极限学习机(extreme learning machine,ELM)方法相比,核极限学习机(kernel extreme learning machine,KELM)方法无须设定网络隐含层节点的数目,以核函数表示未知的隐含层非线性特征映射,通过正则化最小二乘算法计算网络的输出权值,它能以极快的学习速度获得良好的推广性.在KELM的基础上,分别将遗传算法、模拟退火、微分演化三种进化算法用于模型的结构输入选择、正则化系数以及核参数的优化选取,以进一步提高网络的性能.将O-KELM方法应用于标准Mackey-Glass混沌时间序列预测及某地区的风电功率时间序列预测实例中,在同等条件下,还与优化的极限学习机(optimized extreme learning machine,O-ELM)方法进行比较.实验结果表明,所提出的O-KELM方法在预测精度上优于O-ELM方法,表明了其有效性.     

基于遗传模型改进蜂群算法的稀疏阵列优化

人工蜂群算法作为一种新兴的群体智能算法,在解决复杂连续问题时表现突出。但是由于算法本身内在运行机制的原因,算法在搜索上表现出优异的性能,却疏于开发。为了平衡搜索和开发二者之间的矛盾,提出了一种基于遗传模型改进的人工蜂群算法,并成功运用到了阵列综合领域。算法先将全局最优解引入邻域搜索过程,指导蜂群寻找最佳蜜源,加速算法收敛。为了避免人工蜂群算法陷入局部最优,需要提高其开发能力,通过借鉴遗传算法中的进化机制,建立了遗传模型,对采取最佳保留后的蜜源进行遗传操作,丰富蜜源的多样性。在一组广泛使用的数值函数上对改进人工蜂群算法进行了测试,实验数据表明,该算法相较于其他算法具有很强的竞争力。将该算法运用于线性阵列的稀疏优化,旨在降低阵列的峰值旁瓣电平,在同样的阵列约束下与其他算法进行了优化对比,仿真结果进一步证明了算法的有效性。     

潜变量机器学习方法在咖啡NIR定量分析中的应用

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。     

冲天炉熔炼过程粒群优化

粒群优化是一种非梯度随机优化算法，其思想源于动物群体（如群落）社会动力学行为的最近邻速度匹配和根据距离加速等基本规则。本文综合自适应模糊推理的建模功能和神经网络的学习能力，直接从实验数据中提取推理规则，建立了冲天炉熔炼过程模型。模型具有较高的预测精度和泛化能力，利用它可以帮助操作者认识熔炼规律。同时，将自适应模糊推理模型与粒群优化算法耦合，在预定熔化率和炉温的模糊限制条件下，得到了最高热效率时的送风强度和焦耗。此法可推广应用到其它工艺过程的建模与优化上。     

基于太赫兹衰减全反射光谱的水质分析

随着人口的增长和社会的迅速发展,水资源短缺和水污染问题日益严重。水质分类作为水质污染评估工作中的一项重要环节,其意义和作用也更加突出。基于太赫兹衰减全反射（THz-ATR）光谱和模式识别技术,提出了一种水质分析模型。利用太赫兹时域光谱系统和衰减全反射模块测量了纯净水、自来水、河水、海水A和海水B五种水样的太赫兹衰减全反射光谱,通过光学参数提取模型获得0.2～1.0 THz频率范围内五种水样的折射率、吸收系数、介电常数实部和介电常数虚部。利用主成分分析（PCA）对折射率进行降维和特征提取,分别作出样品在第一、二主成分上的二维得分图和前三个主成分上的三维得分图,结果显示,基于折射率的主成分得分图可以明显的区分不同的水样。为了进一步对不同水样进行准确分类,将降维之后的数据输入到支持向量机（SVM）中构建水样分类模型,每种水样随机选取其中的五分之三作为训练集,剩余的数据作为测试集,同时引入网格搜索（GridSearch）、遗传算法（GA）和粒子群（PSO）三种优化算法对支持向量机参数进行优化。结果显示,基于网格搜索算法的支持向量机最优参数c和g分别为1.414 2和2.0,准确率为99.0%;基于遗传算法的支持向量机最优参数c和g分别为1.675 4和5.966 5,准确率为99.5%;基于粒子群算法的支持向量机最优参数c和g分别为3.154 9和12.589,准确率为100%。可以看出,使用不同的优化算法得到的最优参数不同,所构建的支持向量机分类模型都可实现正确的分类,且分类准确率均高达99.0%以上。研究结果表明,利用粒子群优化算法基于折射率构建的PCA-SVM分类模型效果最优,可以准确识别不同水样,为水质分类奠定了基础。     

基于特征选择的网络入侵检测模型研究

为了有效从收集的恶意数据中选择特征去分析,保障网络系统的安全与稳定,需要进行网络入侵检测模型研究。但目前方法是采用遗传算法找出网络入侵的特征子集,再利用粒子群算法进行进一步选择,找出最优的特征子集,最后利用极限学习机对网络入侵进行分类,但该方法准确性较低。为此,提出一种基于特征选择的网络入侵检测模型研究方法。该方法首先以增强寻优性能为目标对网络入侵检测进行特征选择,结合分析出的特征选择利用特征属性的Fisher比构造出特征子集的评价函数,然后结合计算出的特征子集评价函数进行支持向量机完成对基于特征选择的网络入侵检测模型研究方法。仿真实验表明,利用支持向量机对网络入侵进行检测能有效地提高入侵检测的速度以及入侵检测的准确性。     

发酵过程混合建模与优化控制新方法

针对当前微生物发酵过程存在因为生物传感器不具备足够的准确性和灵敏性,实验时的菌液和产物浓度等生化指标难以实时监测和控制等缺点,提出了采用量子粒子群优化算法(QPSO)优化最小二乘支持向量机(LSSVM)参数的QPSO-LSSVM混合建模新方法,并用于多粘菌素的发酵过程建模;同时,基于此模型,采用QPSO算法对pH值与溶解氧浓度Do控制轨线进行优化研究。首先,利用LSSVM进行发酵过程的建模,然后采用QPSO对LSSVM建模过程中的重要参数进行优化调整,形成QPSO-LSSVM混合建模与优化控制方法。仿真结果表明,该方法得到的模型能取得更好的预测效果,优化后的pH值与Do浓度控制轨线能够提高最终的产物浓度。该方法用于发酵过程的建模和重要参数的优化控制是可行的、有效的。     

基于多算法优化SVM的粗糙面参数反演

支持向量机（SVM）是粗糙面参数反演中常用的一种反演算法,SVM反演中的惩罚参数C和核函数参数G对反演结果精度的影响较大,若参数取值不当,会使模型产生"过学习"或者"欠学习"的现象,从而降低预测精度.给出几种SVM参数C和参数G的优化算法,如K折交叉验证（K-CV）、遗传算法（GA）和粒子群算法（PSO）,并在此基础上提出一种基于K-CV和GA改进的PSO算法（GA-CV-PSO）.利用矩量法（MoM）获得的粗糙面后向散射系数构造训练集和测试集,通过不同参数反演的仿真结果对比不同优化算法的反演精度和计算时间,表明GA-CV-PSO算法克服了单一优化算法的缺陷,具有更精确的反演精度和更强的泛化能力.     

Robust Spike-Based Continual Meta-Learning Improved by Restricted Minimum Error Entropy Criterion

The spiking neural network (SNN) is regarded as a promising candidate to deal with the great challenges presented by current machine learning techniques, including the high energy consumption induced by deep neural networks. However, there is still a great gap between SNNs and the online meta-learning performance of artificial neural networks. Importantly, existing spike-based online meta-learning models do not target the robust learning based on spatio-temporal dynamics and superior machine learning theory. In this invited article, we propose a novel spike-based framework with minimum error entropy, called MeMEE, using the entropy theory to establish the gradient-based online meta-learning scheme in a recurrent SNN architecture. We examine the performance based on various types of tasks, including autonomous navigation and the working memory test. The experimental results show that the proposed MeMEE model can effectively improve the accuracy and the robustness of the spike-based meta-learning performance. More importantly, the proposed MeMEE model emphasizes the application of the modern information theoretic learning approach on the state-of-the-art spike-based learning algorithms. Therefore, in this invited paper, we provide new perspectives for further integration of advanced information theory in machine learning to improve the learning performance of SNNs, which could be of great merit to applied developments with spike-based neuromorphic systems.     

半透射高光谱成像技术与支持向量机的马铃薯空心病无损检测研究

针对马铃薯空心病的难以检测问题,提出了一种基于半透射高光谱成像技术结合支持向量机(support vector machine,SVM)的马铃薯空心病无损检测方法。选取224个马铃薯样本(合格149个,空心75个)作为研究对象,搭建了马铃薯半透射高光谱图像采集系统,采集了马铃薯样本半透射高光谱图像(390~1 040 nm),对感兴趣区域内的光谱进行平均和光谱特征分析。采用变量标准化(normalize)对原始光谱进行光谱预处理,建立了全波段的SVM判别模型,模型对测试集样本的识别准确率仅为87.5%。为了提高模型性能,采用竞争性自适应重加权算法(competitive adaptive reweighed sampling algorithm, CARS)结合连续投影算法(successive projection algorithm, SPA)对光谱全波段520个变量进行变量选择,最终确定了8个光谱特征变量(454,601,639,664,748,827,874和936 nm),所选8个光谱变量建立的SVM模型对马铃薯测试集的识别率为94.64%。分别采用人工鱼群算法(artificial fish swarm algorithm,AFSA)、遗传算法(genetic algorithm,GA)和网格搜索法(grid search algorithm)对SVM模型的惩罚参数c和核参数g进行优化。经过建模比较分析,确定AFSA为最优优化算法,最优模型参数为c=10.659 1,g=0.349 7,确定AFSA-SVM模型为马铃薯空心病的最优识别模型,该模型总体识别率达到100%。试验结果表明：基于半透射高光谱成像技术结合CARS-SPA与AFSA-SVM方法能够对马铃薯空心病进行准确的检测,也为马铃薯空心病的快速无损检测提供技术支持。