中国科学技术信息研究所--国家工程技术数字图书馆

[学位论文] 刘通吉林大学 2020年博士导师: 胡亮共125页

摘要 : 当今，在人们生产生活的各个方面、各个领域，人工智能的影子无处不在，人工智能正在逐步改变我们的生产方式和生活习惯。机器学习是人工智能的主要分支，它能从数据中自动挖掘学习模式，从而帮助人们作出更加科学、客观的决策，降低人为决策的失误率... 展开当今，在人们生产生活的各个方面、各个领域，人工智能的影子无处不在，人工智能正在逐步改变我们的生产方式和生活习惯。机器学习是人工智能的主要分支，它能从数据中自动挖掘学习模式，从而帮助人们作出更加科学、客观的决策，降低人为决策的失误率。医学疾病智能诊断是机器学习方法的重要应用场景，构建强大、高效、适用的智能决策模型，为疾病诊断提供科学合理的辅助决策，意义重大。本文围绕多种疾病诊断问题开展机器学习方法的研究，为皮肤病、胸腔积液和肾结石等疾病的辅助诊断构造智能诊断模型，提供决策参考。本文重点研究了极限学习机和核极限学习机等机器学习方法，在此基础上深入分析如何改进现有方法，使其在疾病诊断中达到更好的预测效果。对此，本文分别提出了基于分散觅食正余弦算法的极限学习机皮肤病诊断模型、基于混沌差分进化樽海鞘算法的极限学习机胸腔积液诊断模型、以及基于精英混沌黏菌算法的核极限学习机肾结石诊断模型。本文的主要研究内容如下： (1)对基于机器学习的相关疾病诊断和基于智能优化方法的极限学习机的研究现状进行了阐述，对现有研究存在的不足进行了分析，对本文的研究工作进行了设想规划。同时，简要介绍了常用的机器学习方法和智能优化算法，重点对极限学习机方法、核极限学习机方法和正余弦优化算法、樽海鞘优化算法、黏菌优化算法进行了阐述。这些相关知识作为理论支撑，为本文后续的工作提供了理论依据。 (2)为了提高皮肤病诊断的准确率，建立一种基于分散觅食正余弦优化算法的极限学习机模型(DFSSCA-ELM)来对红斑鳞状皮肤疾病进行诊断。首先通过引入分散觅食机制提出一种基于分散觅食的正余弦优化算法(DFSSCA)，采用CEC2017基准函数测试集评估该算法的优化性能，并且将该算法与8种性能优越的群智能算法进行对比分析；然后基于DFSSCA方法，对极限学习机的权值和阈值进行优化，从而提出一种新的DFSSCA-ELM预测模型，采用该模型对红斑鳞状皮肤病进行诊断预测，同时与5种机器学习模型进行对比研究，采用评估指标来衡量模型的整体性能。实验结果表明，DFSSCA-ELM模型在评估指标上实现了明显的提升，表明分散觅食机制能够有效地提高模型的预测能力。 (3)为了提高胸腔积液诊断的准确率，本文基于混沌差分进化樽海鞘算法提出一种改进的极限学习机模型(CDESSA-ELM)来对胸腔积液进行诊断。混沌初始化机制和差分进化机制分别被用于提升樽海鞘算法的全局搜索能力和局部搜索能力，形成了改进的樽海鞘算法(CDESSA)。首先采用CEC2014函数测试集评估CDESSA的优化性能，并且将其与7种经过改进的群智能算法进行对比分析；然后采用CDESSA算法来优化极限学习机模型的参数，从而提出一种新的CDESSA-ELM预测模型，采用该模型对胸腔积液疾病诊断进行预测，同时将该模型与4种机器学习模型开展对比研究，并通过评估指标来衡量模型的整体性能。实验结果表明，CDESSA-ELM模型在所有的评估指标上都实现了明显的提升，表明混沌初始机制和差分进化机制能够有效地提高模型的预测能力。 (4)为了提高肾结石诊断的准确率，建立一种基于精英混沌黏菌算法的核极限学习机模型(ECSMA-KELM)对肾结石疾病进行诊断。首先通过结合精英机制和混沌机制提出一种改进的黏菌优化算法(ECSMA)，使得全局搜索能力和局部搜索能力达到一种比较稳定的状态，采用23个基准函数和CEC2014函数测试集中的8个复合函数对ECSMA算法的优化性能进行了评估，并且将其与12种经过改进的群智能算法进行对比分析；然后，基于ECSMA算法对KELM的关键参数进行了优化，构建了一种最优的ECSMA-KELM模型对肾结石进行诊断，同时将该模型与5种机器学习模型开展对比研究。实验结果表明，ECSMA-KELM模型在所有的评估指标上都实现了明显的提升，这表明精英机制和混沌机制能够有效地提高模型的预测能力。收起

关键词 : 智能优化极限学习机方法疾病诊断极限学习机

2. 基于MapReduce的遗传极限学习机在农作物产量预测上的应用

[学位论文] 赖昊成浙江大学 2016年硕士导师: 姚敏共60页

摘要 : 农作物产量预测已经成为关系到国家粮食安全，调整宏观经济的一个重要工具，对我们国家社会的健康发展有重要的意义。极限学习机(ELM)已经被广泛地运用在很多领域，比如图像识别，生物信息等。遗传极限学习机通过加入遗传算法的改进，大大提高了这个算... 展开

关键词 : 极限学习机遗传极限学习机农作物产量预测

3. 基于极限学习机的污泥膨胀智能检测方法研究

[学位论文] 焦广利山东科技大学 2022年硕士导师: 钟麦英共79页

摘要 : 城市污水处理大多利用活性污泥法来促进微生物吸附、分解和氧化有机污染物，实现污水净化。对于活性污泥法城市污水处理厂而言，正常的泥水分离是保证其安全稳定运行的关键。然而，污泥膨胀问题，即污泥结构松散，难以沉降分离的现象持续存在，不仅会... 展开城市污水处理大多利用活性污泥法来促进微生物吸附、分解和氧化有机污染物，实现污水净化。对于活性污泥法城市污水处理厂而言，正常的泥水分离是保证其安全稳定运行的关键。然而，污泥膨胀问题，即污泥结构松散，难以沉降分离的现象持续存在，不仅会导致污泥沉降性能下降，出现出水水质恶化，严重时甚至会导致城市污水处理工艺的失败。此外，污泥膨胀具有发生频率高、发生范围广、恢复时间长等特点。因此，亟需设计有效的污泥膨胀检测方法，保证城市污水处理过程持续运行。然而，污泥膨胀产生机理错综复杂，诱发因素众多，在实施污泥膨胀检测过程中仍面临诸多难题。问题1):由于污水中腐蚀性物质的存在以及外部环境变化造成检测仪表精度下降或人为操作失误等原因，导致获取的运行数据中常含有离群点，在建立模型之前，大多数污泥膨胀检测方法直接通过数据预处理的方法剔除离群点，由于丢失了部分信息，易导致检测模型精度下降，影响污泥膨胀检测的准确性。问题2):污泥容积指数作为反映污泥膨胀严重程度的重要指标，受限于测量原理复杂、测量成本高等因素，污泥容积指数标签样本少，导致污泥膨胀检测模型泛化能力差，进而影响污泥膨胀检测性能。围绕上述问题，本文在深入分析污泥膨胀运行机理的基础上，设计了基于极限学习机的污泥膨胀智能检测方法。论文主要工作为: (1)阐述了极限学习机的基础理论知识;分析了活性污泥法污水处理运行过程，阐述了污泥膨胀形成机理与相关影响因素，获得了影响污泥膨胀的6个主要过程变量，将其作为污泥膨胀检测模型的输入;此外，对污泥膨胀检测过程进行了概述。 (2)提出了一种基于鲁棒极限学习机的污泥膨胀智能检测方法。首先，考虑到极限学习机的输出权值由最小二乘估计获得，易受离群点的影响而导致模型鲁棒性较差，通过引入M.估计技术构建基于鲁棒极限学习机的离群点检测模型，实现离群点的检测和修正。然后，建立基于鲁棒极限学习机的污泥膨胀检测模型，实现污泥膨胀动态特性的描述。最后，在线获取污泥膨胀检测模型的误差，根据阈值逻辑完成污泥膨胀检测。 (3)提出了一种基于半监督极限学习机的污泥膨胀智能检测方法。首先，利用标签样本集构建基于极限学习机的误差预测模型，通过该模型挑选价值样本并进行标记，循环此过程以增加标签样本量。然后，利用更新后的标签训练集和无标签训练集共同建立基于半监督极限学习机的污泥膨胀检测模型，提高检测模型泛化能力。最后，在线获取污泥膨胀检测模型估计误差，设计基于滑动窗口的动态阈值检测方法，利用阈值逻辑实现污泥膨胀检测。收起

关键词 : 污泥膨胀智能检测鲁棒极限学习机半监督极限学习机

4. 基于极限学习机的脑卒中TCD数据分类研究

[学位论文] 耿银凤太原理工大学 2019年硕士导师: 张雪英共77页

摘要 : 经颅多普勒超声(TCD)被广泛应用于临床脑卒中诊断中，应用人工智能技术对TCD数据进行分类，从而实现脑卒中辅助诊断，可以节约宝贵的医疗资源，具有重大的现实意义。本文重点研究了研究了极限学习机模型的改进及其在脑卒中TCD数据分类中的应用，所做的... 展开经颅多普勒超声(TCD)被广泛应用于临床脑卒中诊断中，应用人工智能技术对TCD数据进行分类，从而实现脑卒中辅助诊断，可以节约宝贵的医疗资源，具有重大的现实意义。本文重点研究了研究了极限学习机模型的改进及其在脑卒中TCD数据分类中的应用，所做的主要工作如下：针对极限学习机用于TCD数据分类时对隐含层输入权值和阈值参数选择敏感的缺点，利用蝙蝠算法对极限学习机的隐含层输入权值和阈值进行优化，提出一种基于蝙蝠算法优化极限学习机的脑卒中TCD数据分类模型，对采集于山西省人民医院的正常人与狭窄患者的TCD数据进行分类识别，并与PSO-ELM，DE-ELM和ELM模型进行对比，实验结果表明BA-ELM算法的分类准确率最高，算法稳定性最高，且所需隐含层神经元数最少，训练时间也比PSO-ELM，DE-ELM模型有所降低，表明了BA-ELM用于TCD数据分类时的有效性。对极限学习机衍生出来的核极限学习机进行了研究,并对蝙蝠算法进行了改进，用4个标准测试函数验证了改进蝙蝠算法较强的全局搜索能力和较快的收敛速度,接着用改进的蝙蝠算法结合5折交叉验证对核极限学习机的正则化系数和高斯核函数参数进行优化，建立IBA-KELM分类模型，与BA-KELM，BA-ELM，ELM模型进行对比，对4个TCD数据集进行测试，识别正常人和硬化病人，正常人和斑块病人，结果表明IBA-KELM模型的性能更优。针对医学数据多为不平衡数据的特点，对不平衡分类进行了研究，提出一种基于最大化Gmean的代价调整极限学习机的分类模型，以最大化Gmean为优化目标，利用改进的蝙蝠算法结合5折交叉验证对CCR-ELM的代价参数C+和C-进行优化，并用得到的MG-CCR-ELM模型对不平衡二分类数据集进行了测试，并用分类准确率和Gmean值两个评价指标对分类结果进行分析，验证了该模型优越的不平衡学习能力。最后用该模型对不平衡TCD数据集进行分类测试，取得了良好的分类结果，证明了该方法用于不平衡TCD数据分类时的有效性。收起

关键词 : 极限学习机脑卒中蝙蝠算法核极限学习机 TCD数据分类

5. 基于极限学习机的高速列车晚点预测方法及系统

[学位论文] 李燕秋北京交通大学 2021年硕士导师: 许心越共99页

摘要 : 我国逐渐形成以“八纵八横”为短期规划的高速铁路网，与此同时，高速铁路也以其运行速度快、正点率高、输送能力强等特点受到人们的青睐。然而，因为各种不可避免的因素的干扰，列车的运行时常会偏离计划的时刻表。若未及时且有效的调整列车的运行计... 展开我国逐渐形成以“八纵八横”为短期规划的高速铁路网，与此同时，高速铁路也以其运行速度快、正点率高、输送能力强等特点受到人们的青睐。然而，因为各种不可避免的因素的干扰，列车的运行时常会偏离计划的时刻表。若未及时且有效的调整列车的运行计划，可能会危及行车安全。为了能给调度员提供较为精准的列车晚点信息，有效缓解因干扰而造成铁路运输效率下降和安全性降低等问题，本文实现了对列车到达晚点和出发晚点的准确预测。具体研究内容如下： (1)分析归纳了列车晚点的相关理论。梳理了造成列车晚点的成因及晚点类型，介绍了晚点传播和吸收的机理。为本文的研究提供理论支撑。 (2)对列车到达晚点和出发晚点进行统计分析。基于武广高铁路线上列车实绩运行数据，从车站的角度完成了对各车站的列车到发时间偏差量的统计，从车站和区间两个角度完成了对列车在车站和区间的晚点率的排序，研究列车到发晚点在空间上的特性与规律。 (3)建立了基于粒子群算法（PSO）优化极限学习机（ELM）（PSO-ELM）的列车晚点预测模型。首先，在对本文晚点预测的场景进行了详细界定之后，提取了可能影响列车晚点时长的时空特征和基础设施特征因素，包括第三章统计分析得到的车站晚点率、列车计划到站顺序和车站到发线数目等。随后，利用决策树算法对这些特征进行了重要度排序，分别确定了影响列车到达晚点和出发晚点的特征集。最后，利用武广高铁线上的列车实绩运行数据进行案例研究，验证了本文提出的预测模型的良好性能，优于基于最近邻（KNN）、梯度提升决策树（GBDT）等算法建立的晚点预测模型，并将粒子群算法（PSO）与贝叶斯优化算法（BO）和遗传算法（GA）优化ELM超参数的效率和精度进行了对比，结果证明粒子群算法（PSO）的效率和精度最高。 (4)在本文第三四章的研究基础上，结合武广高铁线上列车的运行数据和高铁现场调研的用户需求，开发了高速列车晚点分析和预测系统，实现了列车到达和出发时间的统计分析和列车晚点准确预测的管理与展示，支撑高铁管理者精细化掌握晚点情况，辅助制定相关的调度计划。收起

关键词 : 高速列车晚点预测极限学习机

6. 基于改进的极限学习机（ELM）的缺失数据填补方法研究

[学位论文] 隋宇婷东北大学 2014年硕士导师: 张天成共90页

摘要 : 随着感知技术、网络传输和存储技术的不断发展，数据的产生、收集和存储能力大大提高，数据的规模以几何级数方式迅猛增长。海量的数据为信息分析和挖掘带来了巨大便利，同时也提出了巨大的挑战，其中数据缺失问题极大地影响数据的可用性，是数据质量... 展开随着感知技术、网络传输和存储技术的不断发展，数据的产生、收集和存储能力大大提高，数据的规模以几何级数方式迅猛增长。海量的数据为信息分析和挖掘带来了巨大便利，同时也提出了巨大的挑战，其中数据缺失问题极大地影响数据的可用性，是数据质量研究中的重点和难点问题之一。如何预测缺失数据，准确还原物理世界的原始信息，用以支持高级的数据挖掘应用，具备重要的理论研究和实际应用价值。本文针对这一关键问题展开研究。主要工作如下: 首先，本文利用极限学习机(ELM)的回归原理填补缺失数据，针对待填补缺失数据集往往先验知识不足，激活函数选择困难，或待填补数据集本身复杂，难以选择合适激活函数的问题，重点研究了基于改进的差分优化算法自适应的选取激活函数的算法。该方法根据缺失数据填补问题的特点，改进了种群优化算法，进而提出了适用于缺失数据填补的自适应的极限学习机(A-ELM)。并详细介绍了自适应的极限学习机(A-ELM)填补缺失数据的可操作性及其填补步骤。然后，本文针对待填补缺失数据集自变量间存在线性关系时，利用极限学习机(ELM)进行填补，求解广义逆矩阵会导致准确率低甚至病态解问题，提出了岭回归极限学习机(B-ELM)。重点研究了基于广义交叉验证法选取岭参数k的方法，岭回归极限学习机(B-ELM)能有效处理变量间有相关性的缺失数据集。并综合总结出泛化性强、填补准确率较高的缺失数据填补工具自适应的岭回归极限学习机模型(AB-ELM-MD)。自适应的岭回归极限学习机模型(AB-ELM-MD)可以对那些无法确定激活函数的不完备输入数据集进行填补，同时可以以较高的准确率对各维度之间高度相关的不完备数据进行填补，也可以对综合含有上述问题的不完备数据进行填补。最后，本文以两组真实的高维DNA微阵列数据、一组真实的数据量较大的交通轨迹数据为例，利用支持向量机回归机(SVR)方法、极限学习机(ELM)方法、自适应的岭回归极限学习机缺失数据填补模型(AB-ELM-MD)，针对含有上述问题数据集，以不完备数据回归的结果为基础进行缺失数据的填补。证明了本文提出的自适应岭回归极限学习机缺失数据填补模型(AB-ELM-MD)可以有效填补缺失数据，且对维度较高的、各维度间高度相关的、难以选取激活函数的、数据量较大的不完备数据集填补效果良好。收起

关键词 : 极限学习机缺失数据填补方法

7. 中国碳排放峰值预测研究

[学位论文] 何晓博华北电力大学(保定) 2019年硕士导师: 赵建娜共73页

摘要 : 全球气候变暖已经越来越严重，目前已经成为人类可持续发展所面对最严峻的挑战之一。相关的研究表明，全球气候变暖可能有90%的概率都是因为温室气体(GHG)排放过量所引起的，这将对人类的生存发展产生严重的威胁。自从改革开放以来，我国在经济领域上... 展开全球气候变暖已经越来越严重，目前已经成为人类可持续发展所面对最严峻的挑战之一。相关的研究表明，全球气候变暖可能有90%的概率都是因为温室气体(GHG)排放过量所引起的，这将对人类的生存发展产生严重的威胁。自从改革开放以来，我国在经济领域上取得了非凡的成就，随着经济的迅速增长，与此同时也产生了相应的问题，特别是环境问题和能源问题。中国经济的增长过分依赖于资本、劳动力和大量的能源消耗，截止到2013年，中国的能源消费已经占据了全球能源消费的21.9%，同时中国也超越了美国成为了世界上最大的二氧化碳排放国。此外中国的环境问题也日益严重，水土污染和全国大面积的雾霾频繁发生，给人们的身体健康、气候环境和社会发展都带来了越来越大的威胁。当前我国还处于经济的快速发展阶段，为了我国可持续发展和环境的保护，中国面临着严峻的碳减排压力。为了碳减排工作的顺利进展，厘清中国的碳减排因素，明确达到碳排放峰值的时间，同时探索中国碳减排的潜力，最终找到一条符合中国国情的碳减排路径是十分有必要的。本文首先对中国的经济社会发展状况、产业结构等现状进行了简要的介绍，对中国碳排放的影响因素进行了LMDI的因素分解，厘清中国碳排放的影响因素，分析各影响因素的效果和贡献率，最终选择合适的碳排放影响因素，作为输入参数，将中国的碳排放作为输出参数，以极限学习模型作为测试，从而建立碳排放预测模型。为了寻求中国碳减排发展的最优路径，根据LMDI因素分解和极限学习机模型作为基础，本文建立了以经济发展、人口数量、能源结构、能源消费量、能源强度、产业结构和城镇化率7个指标为中国未来碳排放设定了相关的发展情景，并在各个场景中预测了中国碳排放峰值出现的年份和碳排放峰值的大小，并通过研究相关的低碳发展情景来分析中国碳排放峰值出现的快慢，从而确定最优的碳排放情景和路径，以此来制定更加合理的碳减排政策。根据结果分析可以得出通过技术进步、能源结构的优化、产业结构的优化对碳排放峰值的影响较大。因此在不影响经济发展速度的情况下，要尽早的达到碳排放峰值。收起

关键词 : 碳排放峰值预测 LMD模型极限学习机

8. 基于相似日和改进正则化极限学习机的短期风电功率区间预测研究

[学位论文] 蒋子尧河北科技大学 2022年硕士导师: 安国庆;安琪共93页

摘要 : 随着全球化石能源储量的不断减少，人类需要一种可再生的清洁能源以满足生产生活的需要。风能具有清洁且储量丰富的特征，近年来受到广泛关注。“十四五”规划实施以来，我国风力发电产业飞速发展。然而，风电具有波动性和随机性的特点，为风电消纳和... 展开随着全球化石能源储量的不断减少，人类需要一种可再生的清洁能源以满足生产生活的需要。风能具有清洁且储量丰富的特征，近年来受到广泛关注。“十四五”规划实施以来，我国风力发电产业飞速发展。然而，风电具有波动性和随机性的特点，为风电消纳和电网的稳定运行带来挑战。精确可靠的风电功率预测系统可以为电网和发电企业提供安排调度和生产计划的依据，对提高风能利用率，改善“弃风”现象具有重要意义。基于上述背景，本文分别从重构模型的训练样本、提高短期风电功率预测精度、验证风电功率预测的不同技术路线及提高风电功率预测模型的抗干扰性四方面进行研究分析，主要包括以下内容。针对训练样本数过多导致难以对模型进行针对性训练的问题，本文以一座位于土耳其的风力发电机所记录的数据集为例，提出将能够同时处理数值属性和分类属性的K-prototypes聚类算法应用于风电功率预测模型的相似日选取和训练样本重构中，并以Pearson相关系数为指标验证了聚类算法的效果。之后，分别以未经聚类和聚类后的数据作为训练样本训练正则化极限学习机（RELM），并对同一天的风电功率进行预测。结果显示以聚类后数据作为训练样本的样本的RELM模型误差指标较优，验证了所提聚类算法在风电功率预测模型中的有效性。针对正则化极限学习机参数不确定影响预测效果的问题，本文提出将改进权重系数的非线性动态自适应粒子群算法（NDAPSO）应用于对RELM的参数寻优中，结果证明相对传统粒子群算法，NDAPSO算法具有更快的收敛速度和更好的寻优效果。对于寻优过程中可能存在的局部最优问题，本文将Adaboost集成学习算法与K-NDAPSO-RELM模型结合，降低了局部最优对预测结果的不利影响，并设置了寻优过程的跳出机制，提高了集成学习模型的训练速度。与包括高斯过程回归（GPR）、随机森林等其它几种模型的误差指标进行对比，验证了本文所提模型的优越性。目前对风电功率预测的研究主要集中在通过历史功率的时间序列预测和通过数值天气预报预测的两种技术路线上。本文对基于时间序列预测的理论基础进行了阐述，验证了用于模型训练的最优时间序列长度，将其预测结果分别与基于精确NWP数据和基于引入5%误差的NWP数据的预测模型进行对比，并对所提模型在训练样本减半的情况下的预测性能进行了验证。结果证明，基于时间序列的风电功率预测模型适合于风电功率的超短期预测，可在时效性上与基于NWP数据的预测方法进行配合，同时适合于无法获取精确NWP数据的风力发电场。针对确定性预测模型无法处理NWP误差不确定性以及传统上下限估计法难以与集成学习模型融合的问题，采用两个独立的Adaboost-K-NDAPSO-RELM模型结合Nelder-Mead单纯形算法组成改进的上下限估计法模型。在对其预测指标进行了验证后，结果显示，结合改进上下限估计法的Adaboost-K-NDAPSO-RELM模型的平均预测区间覆盖率（PICP），预测区间归一化平均宽度（PINAW）和覆盖宽度标准（CWC）指标优于Bootstrap法与蒙特卡洛法区间预测模型，并在对NWP数据引入5%误差时仍保持可靠性，具有良好的抗干扰性能。收起

关键词 : 风电功率预测极限学习机聚类算法正则化极限学习机粒子群算法区间预测

9. 多工况过程迁移建模方法与应用研究

[学位论文] 杨超浙江工业大学 2019年硕士导师: 刘毅共127页

摘要 : 多样性的化工产品市场需求，导致多工况过程特性普遍存在于化工生产过程中。多工况过程特性对模型性能的影响愈加不容忽视，特别是大多数工况过程因无法获取充足的标签数据而难以建立稳健的软测量预测模型，严重影响了生产过程的平稳运行以及产品质量... 展开多样性的化工产品市场需求，导致多工况过程特性普遍存在于化工生产过程中。多工况过程特性对模型性能的影响愈加不容忽视，特别是大多数工况过程因无法获取充足的标签数据而难以建立稳健的软测量预测模型，严重影响了生产过程的平稳运行以及产品质量。考虑到迁移学习建模方法还很少应用于化工多工况过程建模领域，利用迁移学习方法解决多工况过程建模问题，具有重要的研究价值和意义。本文首先综述了多工况过程建模所存在的问题以及现存多工况建模方法的局限性，并提出利用迁移学习建模方法以解决多工况过程建模问题。针对目标域工况拥有少量标签数据，提出一种参数迁移建模方法以实现对目标域工况准确预测。针对不同工况间具有较大的数据分布差异，提出一种对抗迁移建模方法为目标域工况建立良好的预测模型。最后，为有效结合迁移学习方法和即时学习方法两者的优势，提出一种即时迁移建模方法实现对目标域工况的准确预测。本文主要工作和创新点如下： (1)针对目标域工况仅拥有少量标签数据无法建立良好的预测模型，提出一种基于域适应极限学习机的参数迁移建模方法，并结合快速留一交叉验证方法对模型参数进行有效选择，以实现解决多工况过程建模问题。从实验结果验证了所提方法的有效性，能够有效提升传统建模方法的预测性能。 (2)针对参数迁移建模方法无法适用于具有较大数据分布差异的多工况建模问题，有效解决不同工况间的数据分布差异性，提出一种基于循环特征变换对抗网络的对抗迁移建模方法。经仿真数据和工业数据两方面验证了所提方法不仅能够提升传统建模方法的预测性能，且能够进一步提升参数迁移建模方法的预测性能。 (3)在解决多工况过程建模问题时，通过挑选高相似样本的即时学习建模方法能够比传统建模方法具有更好的预测效果，但仍受到工况间的数据分布差异性影响造成预测性能不高的问题，以及迁移建模方法也不具有自适应调整能力。将迁移学习建模方法与即时学习建模方法相结合，提出一种即时迁移建模方法以解决多工况过程建模问题。从实验结果验证了所提方法的有效性，在不使用目标域工况中标签数据的情况下，能够进一步提升模型的预测能力。收起

关键词 : 多工况过程极限学习机软测量迁移学习

10. 基于极限学习机的遥测数据判读方法及应用研究

[学位论文] 史欣田哈尔滨工业大学 2018年硕士导师: 彭宇共102页

摘要 : 卫星在轨运行期间，其运行状态监测系统的传感器数据通过遥测系统传输至地面，遥测数据成为地面控制中心判断在轨卫星运行状态的唯一依据。卫星遥测数据判读作为卫星地面站数据分析软件平台的一项重要功能，是卫星在轨安全可靠运行的基本保障。由于卫... 展开卫星在轨运行期间，其运行状态监测系统的传感器数据通过遥测系统传输至地面，遥测数据成为地面控制中心判断在轨卫星运行状态的唯一依据。卫星遥测数据判读作为卫星地面站数据分析软件平台的一项重要功能，是卫星在轨安全可靠运行的基本保障。由于卫星系统的复杂多变性以及遥测数据维数多、变化快、关联性强的特点，传统判读方法对专家经验依赖程度高、智能化程度低，愈发无法满足快速增长的卫星遥测判读需求。因此，通过运用智能算法对卫星遥测数据进行分析和建模，自适应地提取正常数据变化规律，支撑卫星遥测数据自动判读、状态监测等，成为航天领域研究的热点和挑战。然而，现有针对卫星遥测数据的智能分析算法往往存在训练时间慢、参数设置困难、判读精度不高、误检率高等不足，而鉴于极限学习机(Extreme Learning Machine， ELM)具有快速训练、最少参数设置的优势，因此本文开展基于ELM的遥测数据智能判读规则提取及数据判读方法研究。方法研究层面，首先，针对同一遥测变量中，不同时刻表现的具有循环特性的关联规则，提出自适应的ELM单步预测模型，自主捕捉参数在时间维度上的变化规则，解决智能机器算法参数设置困难的问题，提升算法智能化程度。采用集成学习思想，提出基于动态预测区间的数据判读策略，解决模型稳定性弱、误检率偏高等问题，提升数据判读的准确率。其次，针对同一时间区间内，不同遥测数据之间的具有相关性的关联规则，提出一种基于多参数融合的数据判读方法，为捕捉目标参数随多维参数变化的变化规则，并根据判读任务的不同，分别针对不同的目标参数数据类型，给出模拟量(如状态参数)和数字量(如指令、模式)判读策略，实现基于多维参数信息输入的数据判读。采用数学仿真数据集和与卫星遥测数据集特性相近的公开数据集对本文提出的方法进行预测性能及判读功能的验证。应用方面，对本文提出的判读方法面向遥测数据的实际应用进行可行性研究。目前真实遥测数据不完整、运行模式单一、异常标注极少，难以直接支撑方法性能评估和充分的应用验证，且遥测数据参数众多，无法对整星数据进行充分验证。卫星电源子系统作为卫星平台正常运行的关键单元，异常及故障发生频次高、影响大，该系统能否正常运行直接决定着星载有效载荷任务是否能够顺利完成。因此，本文通过对卫星电源子系统构成及运行机理构建基于Simulink电源系统仿真模型，确保仿真数据在正常模式下与实际在轨数据具有一致性。并在此基础上，从系统运行机理上注入异常信息，从而为完整的应用验证提供数据支持。依据数据判读的内涵基于本文提出的数据判读方法从参数判读、指令判读、事件监测三个方面进行应用验证。此外，利用其他卫星子系统真实遥测关键参数初步验证本文提出的方法在其他子系统中的可扩展性。最后，利用Qt和Python完成遥测数据判读演示平台的开发和功能验证，实现动态的实时数据判读。初步应用验证结果表明，本文所提出的基于ELM预测模型的数据判读方法可以实现准确且稳定的遥测数据预测及数据正确性判读，具备良好的适用性和可扩展能力，可突破传统遥测数据判读方法对专家经验高度依赖、自适应能力差等局限。本文的研究工作可为卫星运行状态监测提供了良好的方法和应用基础。收起

关键词 : 卫星遥测数据判读方法极限学习机