选择极限论文-汤继东

选择极限论文-汤继东

导读:本文包含了选择极限论文开题报告文献综述及选题提纲参考文献,主要关键词:低压断路器,额定运行,出线端,叁相短路电流

选择极限论文文献综述

汤继东[1](2019)在《选择低压断路器采用极限分能力断还是采用运行分断能力》一文中研究指出目前电气设计人员在选择低压断路器时,常遇到断路器有两个短路分断能力,一是额定极限短路分断能力(Icu),另一个是额定运行短路分断能力(Icu),当这两个分断能力不同时(额定运行分断能力是额定极限分断能力不大于100%的百分数),设计人员对这两个参数的选取有随意性,笔者的看法如下:选择布线系统短路保护器的开断能力,用于分支回路保护无选择性要求的断路器,可以按照极限(本文来源于《电气工程应用》期刊2019年01期)

邓万宇,张莎莎,刘光达,刘丹[2](2018)在《极限学习机中隐含层节点选择研究》一文中研究指出极限学习机(ELM)算法大大提高了单隐层前馈神经网络(SLFNs)的学习速度,在各个领域得到广泛应用。但ELM算法过程中随机分配输入权值和偏差,这虽能加快ELM算法速度,但也造成算法隐含层节点的冗余,一些隐含层节点是毫无存在意义的,而且还会影响整个算法的学习效率。针对ELM算法的这一不足,文中提出新的节点选择算法,实现了对极限学习机中隐含层节点的选择,使得ELM算法的性能有了一定的提高,并与一些流行算法进行了比较,文中算法表现良好。(本文来源于《信息技术》期刊2018年08期)

黄辉,冯西安,魏燕,许驰,陈慧灵[3](2018)在《基于增强核极限学习机的专业选择智能系统》一文中研究指出基于粒子群优化(PSO)的增强型核极限学习机(KELM)提出了一种有效的预测模型PSO-KELM来辅助第二专业选择。在PSO-KELM中,PSO策略确定KELM的最佳参数。PSO-KELM与其他两个竞争方法在学生专业选择数据上通过10折交叉验证方案进行比较,这两个方法分别是支持向量机和网格搜索技术优化的KELM。结果表明了本文预测模型在分类精度、受试者工作特征曲线面积(AUC)、灵敏度和特异性方面的优越性。(本文来源于《吉林大学学报(工学版)》期刊2018年04期)

王名镜[4](2018)在《基于群智能优化的核极限学习机模型选择方法研究及应用》一文中研究指出单隐层前馈神经网络(SLFN)以其良好的学习能力在诸多领域中得到了广泛的应用,然而SLFN需要权值和阈值的迭代修正,因此SLFN固有的训练速度慢、泛化性能差等一些缺点,成为限制其发展应用的主要瓶颈。极限学习机(ELM)算法是一种较新的SLFN,ELM随机产生输入层与隐含层的连接权值以及隐含层神经元的阈值,该算法具有学习速度快、泛化性能好等优点,核极限学习机(KELM)是将核函数引入极限学习机中,是一种比常规ELM模型鲁棒性更强、泛化性能更好的决策模型。然而KELM在实际应用中,其性能受到模型中的重要参数所影响。本文对KELM的模型选择问题,即核参数优化和特征选择等问题展开研究,提出了基于以群智能优化算法为基础的KELM模型选择方法及其在金融破产预测与疾病智能诊断中的应用。群智能算法是借鉴自然界中的生物的群体猎食行为抽象出的计算方法。灰狼优化算法(GWO)、飞蛾优化算法(MFO)和鲸鱼优化算法(WOA)作为新的智能优化方法,因具有较强的全局搜索能力,受到科学研究者和工程技术人员的广泛关注。为了进一步提升群智能算法在KELM模型选择方面的能力,本文特此提出了基于反向学习的GWO算法、混沌MFO算法和多种群WOA算法,并分别对KELM模型进行参数优化和特征选择,从而构建了多种针对特定问题的智能决策模型BGWO-KELM、CMFO-KELM和MWOA-KELM。本文的主要工作包括以下几个方面:(1)提出了基于反向学习策略的灰狼优化算法(BGWO),从而提升了GWO在搜索过程中的种群多样性。通过迭代式求解搜索空间中具有最佳适应度函数值的灰狼完成对KELM的训练,从而构建基于BGWO算法优化的KELM决策模型(BGWO-KELM),此外本文还提出了基于BGWO算法的特征选择方案(BGWOFS-KELM),并将该模型成功应用于企业破产预测。(2)提出了基于混沌理论的飞蛾优化算法(CMFO),以混沌函数序列值完成MFO算法种群初始化,从而增加初始种群的多样性,并在算法的搜索过程中引进混沌干扰机制,使得飞蛾跳出局部最优。随后,本文将CMFO算法应用于KELM参数优化问题并同时完成特征选择(CMFOFS-KELM),最终该模型被成功应用于疾病智能诊断。(3)提出了基于多种群思想的WOA算法(MWOA),对鲸鱼群体按照K-means方式进行划分为多个独立的子种群,各个子种群之间通过信息沟通进行协作搜索。最后将MWOA算法应用于KELM模型参数优化和特征选择问题,且成功的应用于疾病智能诊断问题。(本文来源于《温州大学》期刊2018-05-18)

朱静雅[5](2018)在《基于阴性选择算法和极限学习机的通风机轴承故障诊断研究》一文中研究指出通风机作为一种典型的旋转机械设备,在矿井通风、锅炉通风、冶金工业等方面发挥了重要的作用,对其展开运行状态监测和故障诊断研究具有非常重要的意义。本文将通风机作为研究对象,对通风机不同位置的轴承在不同故障状态时的信号进行特征提取,并实现对通风机轴承的故障预警与诊断。主要研究内容为:在特征提取部分,首先,介绍了希尔伯特黄变换(HHT)算法,针对经验模态分解(EMD)算法中存在的端点效应问题,采用支持向量回归机(SVR)对信号两端进行延拓,并通过实验验证支持向量回归机对解决EMD端点效应问题的有效性;接着,针对EMD算法中存在的模态混迭问题,提出使用自适应噪声的完全集合经验模态分解(CEEMDAN)算法解决模态混迭问题,并通过对轴承故障信号的分解实验验证了该算法的优越性;最后,采用CEEMDAN-能量、CEEMDAN-排列熵方法分别提取轴承故障信号的特征,并针对CEEMDAN-排列熵特征提取算法中类内统一性缺乏的问题,提出一种基于CEEMDAN分解的加权排列熵特征提取模型,为故障预警和故障诊断部分奠定良好的基础。在故障预警部分,引入阴性选择算法,并将基于CEEMDAN-能量、CEEMDAN-排列熵、CEEMDAN-加权排列熵叁种故障特征提取方法分别与固定半径阴性选择算法(NSA)、可变半径阴性选择算法(V-detector NSA)相结合,实现对通风机轴承的故障预警。在故障诊断部分,采用极限学习机(ELM)实现对通风机轴承故障的诊断。首先,针对ELM算法中输入权值和隐含层偏置随机设定导致分类性能不稳定的问题,采用差分优化算法(DE)对ELM算法的这两个参数进行寻优;接着,将CEEMDAN-加权排列熵特征提取方法与DE-ELM相结合构建故障分类模型,并应用到对通风机轴承的故障诊断中;最后,通过分别与CEEMDAN-能量、CEEMDAN-排列熵特征提取算法进行对比实验,验证了所提模型在对通风机轴承故障诊断时的准确性和时效性。(本文来源于《中国矿业大学》期刊2018-05-01)

闫春华,张天龙,汤宏胜,李华[6](2017)在《激光诱导击穿光谱技术结合核极限学习机以及变量选择方法用于煤灰分、挥发分以及热值的快速测定》一文中研究指出煤作为世界上主要的化石能源,可被用作能源资源,燃烧用来发电发热,也可以用于工业方面,例如冶金工业。煤灰分、挥发分以及热值是评价煤质的重要指标,对煤的价格、化学燃烧性能以及其适用性有着重要影响。因此,对煤灰分、挥发分以及热值进行快速分析,对于快速评价煤的质量、价格及其用途,实现煤炭的高效清洁应用具有重要意义。激光诱导击穿光谱(laser-induced breakdown spectroscopy, LIBS)作为一种光学发射光谱技术,具有快速、多元素同时分析、无需复杂样品准备过程、无损分析以及原位分析等特点。核极限学习机(kernel extreme learning machine, K-ELM)是一种相对较新的非线性分析方法,具有学习速度快、泛化性能好等优点,已在分类和回归问题中表现了其优异的性能。本文利用LIBS结合K-ELM对煤灰分、挥发分以及热值进行快速分析,采用连续投影算法(successive projections algorithm, SPA)以及粒子群(particle swarm optimization, PSO)算法进行特征波长选择,以所选取的特征波长作为输入变量,建立K-ELM定量模型对煤灰分、挥发分以及热值进行快速测定。结果表明,基于特征波长的K-ELM模型结果优于基于全谱的K-ELM模型,其中PSO-K-ELM模型的预测效果最佳,预测集相关系数都在0.99以上。故LIBS结合PSO-K-ELM是一种煤质快速分析的高效分析方法且有助于实现煤炭工业的在线快速分析。(本文来源于《中国化学会第14届全国计算(机)化学学术会议暨分子模拟国际论坛会议手册》期刊2017-11-17)

匡佳青[7](2017)在《基于遗传算法和加权极限学习机结合的乳腺癌亚型分类和基因选择》一文中研究指出有各种各样的方法去解决关于乳腺癌亚型的基因选择问题。而本文使用的是一种包装法的形式,即在可能选择的特征基因集合空间里寻找出与乳腺癌亚型分类最息息相关的基因集合。这里遇到了两个问题:一、如何评价一个基因集合的好坏。二、以什么样的方式寻找到最好的那个基因集合。对于第一个问题,本文的解决方法是用基因集合中的基因数据训练模型,如果该模型对于乳腺癌亚型分类的预测精度高则表明该模型使用的数据好,也即表明该基因集合更优秀。本文选择的模型是极限学习机,原因在于它是一个新兴的神经网络模型算法,同时它具有简单和极度快速的特点,非常适合大范围、反复的训练。对于第二个问题,其实有许多搜索寻优方法供我们使用,比如随机搜索、穷举以及蚁群算法等。本文使用的是遗传算法。其不错的健壮性和相对简单的操作性是我们选择遗传算法的主要原因。通过遗传算法和极限学习机的结合,我们筛选出了一个包含50个基因的集合,它对于乳腺癌亚型的分类有着最重要的相关性。本文同时也使用了其他特征选择的方法——过滤法。通过对基因集合冗余性的分析,使用SAM方法和基于相似性度量的贪婪算法过滤掉大量冗余基因,减小了搜索空间,免去了许多无用基因对于算法的干扰。我们将这一过程称之为基因预筛选。在这之后,本文针对于问题和数据,给出了适应于求解本文涉及问题的遗传操作和各种参数设置。在问题的研究中,我们遇到了基因数据的不平衡问题,通过分析和研究,我们使用了基于加权的极限学习机,通过代价敏感的方式解决了此类问题。最后我们给出了我们的方法的结果与其他方法的比较。我们首先对比了不同的机器学习算法在我们的最优基因集合上的预测性能,说明了我们筛选出的基因集合是健壮的,其对不同的学习算法都有着超过95%几何平均准确度的预测性能。然后我们对比了以我们的方法筛选出的基因集合与其他方法所得基因集合的预测性能。我们的方法以96.53%的几何平均预测准确率优于其他任何方法,证明了我们的方法是值得研究和扩展的。(本文来源于《吉林大学》期刊2017-04-01)

徐志鑫[8](2017)在《极限学习机隐含层节点选择算法研究》一文中研究指出本文主要研究一种新的机器学习方法,即极限学习机(ELM)。作为一种针对单隐层前馈神经网络(SLFNs)的学习算法,ELM具有快速的学习速度和很好的泛化能力。隐含层节点在ELM算法中起着重要的作用,确定隐含层节点的方法有两种:一是剪枝法;二是增量学习方法。本文中我们介绍了两种剪枝方法,最优剪枝ELM(OP-ELM)和Tikhonov正则 OP-ELM(TROP-ELM)。我们的主要工作是ELM的增量学习方法,增量学习即首先初始化一个较小的网络,然后向网络中增加新的节点,直到生成一个我们满意的网络。当新的隐含层节点加入到已经存在的网络中时,重新训练网络往往比较费时,误差最小化极限学习机(EM-ELM)是一种增量的计算输出权值的快速方法。然而,由于过拟合等原因,EM-ELM不能总是得到好的泛化能力。在此,根据结构风险最小化准则,我们提出了一种基于正则化的EM-ELM改进方法,即增量正则化极限学习机(IR-ELM)。当我们逐一的向网络中增加新的隐含层节点时,IR-ELM可以快速的更新输出权值,同时保证网络具有很好的泛化能力,从而避免了上述提到的问题。同时,我们还提出了 IR-ELM的提升方法(EIR-ELM),它可以在一组候选隐含层节点中选出较好的一个加入到网络中,进一步提升了算法的泛化能力,同时生产更紧凑的网络。针对分类和回归问题,我们在基准数据集上与原始ELM算法,OP-ELM和TROP-ELM算法及EM-ELM和EEM-ELM算法进行了对比实验,验证了IR-ELM和EIR-ELM的有效性。(本文来源于《浙江大学》期刊2017-01-18)

黄南天,卢国波,王玉强,赵振峰,李旭[9](2016)在《基于粒子群与极限学习机的电能质量信号特征选择与识别》一文中研究指出高效准确地分类电能质量扰动信号是处理电能质量问题的关键。为降低特征计算量,提高分类器分类效率,本文提出一种基于粒子群与极限学习机的电能质量特征选择与识别方法。首先,通过S变换对电能质量扰动信号进行重构与变换,并在此基础上提取特征;然后,以极限学习机的分类精度和选择特征个数作为适应度函数,通过粒子群算法在高维特征空间中寻优,剔除不相关和冗余的特征,保留对扰动识别有效果的特征,由此,确定最优分类子集;最后,使用最优特征子集构成极限学习机的输入向量,训练分类器,并采用优化后的分类器分类电能质量信号。仿真实验表明,新方法能够将维度为25的原始特征集合缩减到8维,且在不同噪声环境下保持综合分类准确率为99.33%。(本文来源于《电工电能新技术》期刊2016年07期)

杨勤,董洪伟,薛燕娜[10](2016)在《核多元基因选择和极限学习机在微阵列分析中的应用》一文中研究指出针对微阵列数据样本量少、维度高的特点,结合当前数据降维方法中没有考虑特征与特征之间相关性的缺点,提出一种核最小二乘的特征基因选择方法。将解释变量空间通过非线性映射转换到高维空间上,再在高维空间上进行最小二乘回归,并采用极限学习机进行训练和预测。结果表明:对叁种经典数据集的分类精度分别达到90.47%,88.89%,88.23%,高于传统的机器学习算法,充分表明本方法的优越性。(本文来源于《传感器与微系统》期刊2016年05期)

选择极限论文开题报告

(1)论文研究背景及目的

此处内容要求:

首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。

写法范例:

极限学习机(ELM)算法大大提高了单隐层前馈神经网络(SLFNs)的学习速度,在各个领域得到广泛应用。但ELM算法过程中随机分配输入权值和偏差,这虽能加快ELM算法速度,但也造成算法隐含层节点的冗余,一些隐含层节点是毫无存在意义的,而且还会影响整个算法的学习效率。针对ELM算法的这一不足,文中提出新的节点选择算法,实现了对极限学习机中隐含层节点的选择,使得ELM算法的性能有了一定的提高,并与一些流行算法进行了比较,文中算法表现良好。

(2)本文研究方法

调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。

观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。

实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。

文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。

实证研究法:依据现有的科学理论和实践的需要提出设计。

定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。

定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。

跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。

功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。

模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。

选择极限论文参考文献

[1].汤继东.选择低压断路器采用极限分能力断还是采用运行分断能力[J].电气工程应用.2019

[2].邓万宇,张莎莎,刘光达,刘丹.极限学习机中隐含层节点选择研究[J].信息技术.2018

[3].黄辉,冯西安,魏燕,许驰,陈慧灵.基于增强核极限学习机的专业选择智能系统[J].吉林大学学报(工学版).2018

[4].王名镜.基于群智能优化的核极限学习机模型选择方法研究及应用[D].温州大学.2018

[5].朱静雅.基于阴性选择算法和极限学习机的通风机轴承故障诊断研究[D].中国矿业大学.2018

[6].闫春华,张天龙,汤宏胜,李华.激光诱导击穿光谱技术结合核极限学习机以及变量选择方法用于煤灰分、挥发分以及热值的快速测定[C].中国化学会第14届全国计算(机)化学学术会议暨分子模拟国际论坛会议手册.2017

[7].匡佳青.基于遗传算法和加权极限学习机结合的乳腺癌亚型分类和基因选择[D].吉林大学.2017

[8].徐志鑫.极限学习机隐含层节点选择算法研究[D].浙江大学.2017

[9].黄南天,卢国波,王玉强,赵振峰,李旭.基于粒子群与极限学习机的电能质量信号特征选择与识别[J].电工电能新技术.2016

[10].杨勤,董洪伟,薛燕娜.核多元基因选择和极限学习机在微阵列分析中的应用[J].传感器与微系统.2016

标签:;  ;  ;  ;  

选择极限论文-汤继东
下载Doc文档

猜你喜欢