利用神经元拓展正则极端学习机预测时间序列

为实现对于时间序列预测数据的准确预测,提出一种神经元拓展正则极端学习机(NERELM,Neuron-Expanding Regularized Extreme Learning Machine),并研究了其在时间序列预测中的应用.NERELM根据结构风险最小化原理权衡经验风险与结构风险,以逐次拓展隐层神经元的方式自动确定最佳的网络结构,以避免传统神经网络训练过程中需人为确定网络结构的弊端.应用于时间序列的仿真结果表明:NERELM可有效实现对于RELM最佳网络结构的自动确定,具有预测精度高与计算速度快的优点.      

嵌入维数自适应最小二乘支持向量机状态时间序列预测方法

 针对航空发动机状态时间序列预测中嵌入维数难于有效选取的问题,提出一种基于嵌入维数自适应最小二乘支持向量机(LSSVM)的预测方法。该方法将嵌入维数作为影响状态时间序列预测精度的重?问?以交叉验证误差为评价准则,利用粒子群优化（PSO）进化搜索LSSVM预测模型的最优超参数与嵌入维数,同时通过矩阵变换原理提高交叉验证过程的计算效率,并最终建立优化后的LSSVM预测模型。航空发动机排气温度（EGT）预测实例表明,该方法可自适应选取适用于状态时间序列预测的最优嵌入维数且预测精度高,适用于航空发动机状态时间序列预测。     

基于贯序正则极端学习机的时间序列预测及其应用

为实现对液压泵特征参数的在线预测,提出一种贯序正则极端学习机(SRELM),并研究了基于SRELM的预测方法.SRELM根据结构风险最小化原理实现网络训练,其网络权值可随新样本的逐次加入而递推求解,具有泛化能力强与训练速度快的优点,因此适于特征参数的在线预测.基于SRELM的预测方法利用特征参数训练SRELM模型,以逐...     

嵌入维数自适应最小二乘支持向量机状态时间序列预测方法

针对航空发动机状态时间序列预测中嵌入维数难于有效选取的问题,提出一种基于嵌入维数自适应最小二乘支持向量机(LSSVM)的预测方法.该方法将嵌入维数作为影响状态时间序列预测精度的重要参数,以交叉验证误差为评价准则,利用粒子群优化(PSO)进化搜索LSSVM预测模型的最优超参数与嵌入维数,同时通过矩阵变换原理提高交叉验证过程的计算效率,并最终建立优化后的LSSVM预测模型.航空发动机排气温度(EGT)预测实例表明,该方法可自适应选取适用于状态时间序列预测的最优嵌入维数且预测精度高,适用于航空发动机状态时间序列预测.     

基于支持向量经验模态分解的故障率时间序列预测

 针对故障率时间序列的非线性与非平稳特性,提出一种基于支持向量经验模态分解(SVEMD)的预测方法。首先,将故障率时间序列分解为多个固有模态函数(IMF)与一个余量(RF),利用最小二乘支持向量机(LSSVM)预测时间序列两端的局部极值点,以抑制传统经验模态分解(EMD)的边缘效应;同时以LSSVM回归方式形成包络线,以取代传统EMD中的三次样条插值;然后,建立各IMF与RF的预测模型;最终,将各IMF与RF的预测结果相加以获得故障率时间序列的预测结果。仿真结果表明,该方法的预测精度较传统基于EMD的预测方法与单一预测方法有显著提高,可实现对故障率的准确预测。     

故障率预测的稀疏直接支持向量回归机方法

为改善直接支持向量回归机(DSVMR)的稀疏性,提出一种适用于DSVMR的剪样训练算法.该算法利用矩阵变换实现剪样前后DSVMR的递推求解,提高了剪样训练过程中DSVMR多次训练的计算效率.混沌时间序列预测仿真表明,该算法有效改善了DSVMR的稀疏性,且计算效率较基于Cholesky分解的剪样训练算法有显著提高.飞机故障率预测实例表明,经剪样训练后的DSVMR的预测精度高于BP(back-propagation)神经网络预测方法与RBF(radial casis function)神经网络预测方法.