基于bootstrap和改进极限学习机的区间预测方法及应用研究

发布时间：2021-10-30 16:23

　　近年来,随着工业生产过程的复杂性不断增加,规模日益扩大,控制变量的种类和数目越来越多,对于变量的预测控制有了新的要求。在早期的传统工业中,点预测方法是对关键变量进行预测的主要方法。然而,由于实际情况不同,以及具体生产流程中相关变量的变化往往存在不确定性,单纯使用点预测方法进行预测已经不能满足实际工业需。与此同时,在实际的生产过程中,与数据点预测进行比较,对未来某个阶段数据的变化范围进行预测对于指导实践更有意义。因此,本课题对工业过程中关键变量的变化趋势进行研究和分析,着重研究区间预测方法及其在实际工业过程中的应用,内容如下:1.为了对工业过程中的相关变量变化趋势进行预测,本文提出一种基于反馈多核极限学习机（MKELM-EF）的点预测方法,该模型主要依据两种核函数的占比,来综合衡量核函数在预测模型中的重要性,同时采用自适应粒子群（APSO）算法优化模型中的相关核参数,使预测模型的预测精度和收敛速度得到优化。2.针对关键变量的变化趋势预测,本文提出种基于Bootstrap和改进极限学习机相结合的区间预测方法。其中,Bootstrap用于对原始数据进行重抽样,MKELM-EF作为回归算法,二... 

【文章来源】：北京化工大学北京市 211工程院校 教育部直属院校

【文章页数】：73 页

【学位级别】：硕士

【部分图文】：

图１－２区间预测方法分类??Ｆｉｇ．１－２?Ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｃｈａｒｔ?ｏｆ?ｉｎｔｅｒｖａｌ?ｐｒｅｄｉｃｔｉｏｎ??

?第一章绪论???的关注。其最基本的组成单位就是网络节点，模仿生物神经元结构的人工神经元模型，??其结构如图２－２所示。ＡＮＮ模仿人类大脑中的神经元，每个节点可以接受与之相连接??的节点传递的相关信息，并结合自身的权重进行加权后将带权重信息的新信息传送到??其他节点。按照网络结构及其计算方法的不同，有前馈神经网络，反馈神经网络等多??种网络模型已经得到长足的发展。其中前馈神经网络，作为神经网络中一种经典的网??络结构，模型简单，应用广泛＾５４３。??Ａ?ｓ?＇??Ｘｎ??图２－２神经元模型??Ｆｉｇ．２－２?Ｎｅｕｒｏｎ?ｍｏｄｅｌ??黄广斌教授在对现有神经网络模型进行分析，创造了一种新的方式，为极限学习??机算法，这个方法一经提出，就被相关领域内人士广泛使用，目前己经成为应用最广??泛的前馈神经网络算法之一［５５］，网络结构简图如图２－３所示。该方法利用到的数学原??理有最小二乘和矩阵的广义逆求解，输入层以及隐藏层之间一般情况下都是通过一次??随机的方式加以确定的，大大简化了传统方法中的节点设置步骤，在计算量方面简化??很多，计算速度相较传统方法要快很多。这种算法简化了传统神经网络中梯度下降算??法多次迭代更新的步骤，不仅缩短计算时间，而且模型的学习泛化能力也十分优秀。??因其新能突出，表现优异，被广大学者和研宄人员所喜爱，人们根据实际需求的不同，??对传统的ＥＬＭ方法进行不断地改良，提出一系列新的优化方法和多种方法结合的组??合方法??１５??

?北京化工大学硕士学位论文???输入层?隐含层?输出层??一－◎、：矣，一??—意繁一??图２－３?ＥＬＭ神经网络??Ｆｉｇ．２－３?ＥＬＭ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??和其他的机器学习算法一脉相承，ＥＬＭ的训练过程中也将原始数据按照一定比??例分为训练数据集和泛化数据集，下面对ＥＬＭ算法的具体步骤和数学原理进行一个??简要介绍。??假设存在Ｎ个任意不同的样本（＜，７；）ｅｉｒＸ，，这里是４是ｍ＊ｌ的输入矩阵，是??３；是ｎ＊ｌ的目标矩阵。假设有Ｌ个隐含节点的网络结构，输入层和隐含层之间的权重??为％贝Ｕ：??ｆＶ＝?：?：??、巧丨…叫Ｊ？?式（２－１７）??式中，＇表示输入层第／个节点与隐含层第＿／个节点间的权重??用表示隐含层与输出层之间的权重：??ｆＡ．…凡）??／？＝?：?ｉ??…Ａｊ／？”?式（２－１８）??式中，＆为隐含层第ｙ个节点和输出层第灸个节点间的权重??用６表示隐含层的偏置项，贝！Ｊ：??１６??

【参考文献】：
期刊论文
[1]基于云理论的风电场群长期出力区间预测[J]. 陈好杰,程浩忠,徐国栋,马则良,傅业盛.  电力系统保护与控制. 2019(03)
[2]基于LSTM风速区间预测的风力发电机再切入控制[J]. 白博,李益华,苏盛,刘佳妮.  电力学报. 2018(03)
[3]基于FEEMD-AE与反馈极限学习机组合模型预测研究与应用[J]. 徐圆,张伟,张明卿,贺彦林.  化工学报. 2018(03)
[4]基于关键变量的OPLS预测方法[J]. 罗明英,王帆,谭帅,侍洪波.  华东理工大学学报(自然科学版). 2016(04)
[5]基于模糊信息粒化与小波支持向量机的滚动轴承性能退化趋势预测[J]. 陈法法,杨勇,陈保家,陈从平.  中国机械工程. 2016(12)
[6]基于Bootstrap的高炉铁水硅含量二维预报[J]. 蒋朝辉,董梦林,桂卫华,阳春华,谢永芳.  自动化学报. 2016(05)
[7]基于偏最小二乘回归和SVM的水质预测[J]. 张森,石为人,石欣,郭宝丽.  计算机工程与应用. 2015(15)
[8]基于动态记忆反馈的改进ELM故障预测方法应用研究[J]. 徐圆,叶亮亮,朱群雄.  控制与决策. 2015(04)
[9]基于主成分分析-改进的极限学习机方法的精对苯二甲酸醋酸含量软测量[J]. 贺彦林,王晓,朱群雄.  控制理论与应用. 2015(01)
[10]小波核极限学习机及其在醋酸精馏软测量建模中的应用[J]. 潘红芳,刘爱伦.  华东理工大学学报(自然科学版). 2014(04)



本文编号：3467049