CN110222606A - 基于树搜索极限学习机的电子系统早期故障预测方法 - Google Patents
基于树搜索极限学习机的电子系统早期故障预测方法 Download PDFInfo
- Publication number
- CN110222606A CN110222606A CN201910439957.9A CN201910439957A CN110222606A CN 110222606 A CN110222606 A CN 110222606A CN 201910439957 A CN201910439957 A CN 201910439957A CN 110222606 A CN110222606 A CN 110222606A
- Authority
- CN
- China
- Prior art keywords
- node
- model
- optimal
- layer
- learning machine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于树搜索极限学习机的电子系统早期故障预测方法,先利用电子系统早期的故障信号作为原始的输入信号,采用Volterra级数模型得到预测模型的输入层数据,再利用树搜索方法构造用于预测故障信号的极限学习机,同时采用多维粒子群算法构造极限学习机隐藏层中的神经元,预测故障信号趋势,从而提高电子系统早期的故障信号的预测精度高,且模型精简高效。
Description
技术领域
本发明属于故障预测及机器学习技术领域,更为具体地讲,涉及一种基于树搜索极限学习机的电子系统早期故障预测方法。
背景技术
随着现代电子系统相关科学技术的迅速进步,现代电子系统正向规模大型化,功能多样化,结构复杂化发展。近年来,由电子系统故障造成的灾难性事故时有发生,其造成的损失也在大大增加。因此,对于电子系统早期故障的监测具有极大的应用价值。
目前对于故障的监测可分为诊断和预测两种方式。诊断关心系统当前的运行状态,用于判断系统是否发生故障并识别出发生故障的位置。目前在故障诊断领域的研究主要集中在系统的状态评价和故障诊断方面。与监测不同,故障预测以当前状态为起点,结合被预测对象的近期监测数据、环境条件及历史数据,通过相应的预测算法对被检测数据进行分析,对系统未来时刻的运行状态进行预测、分析与决策,以便及时在故障发生之前采取有效措施保证系统的顺利运行。相比于检测,故障预测是更高级的诊断技术,是一门涉及多学科综合的新兴边缘学科。电子系统的状态预测可以实现对故障的提前报警,以便及早采取相应的措施,为系统后续的正常运行争取时间,其次也增加了系统的故障预测能力,对在未来时刻可能发生的故障进行预测,以便进行预防检修,具有更重要的实际应用价值。然而,目前对故障预测与未来状态趋势的研究较少。
由于电路的早期故障趋势一般较弱,变化趋势不明显,因此利用传统方法监测的准确性不能满足实际应用的需求。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于树搜索极限学习机的电子系统早期故障预测方法,采用多维粒子群算法构造极限学习机隐藏层中的神经元,从而预测故障信号趋势,具有预测精度高,模型精简高效等特点。
为实现上述发明目的,本发明一种基于树搜索极限学习机的电子系统早期故障预测方法,其特征在于,包括以下步骤:
(1)、采集电子系统早期的故障信号;
(2)、通过最优熵率的方法对早期的故障信号进行相空间重构,构建相空间模型,其中,相空间重构时,将最小熵率对应的延迟时间和嵌入维数作为最优相空间模型的延迟时间和嵌入维数;
(3)、根据相空间模型生成Volterra级数模型,再利用最小角回归法对构造的Volterra级数模型中的参数进行筛选,将筛选后的参数作为输入序列,并将输入序列的数据划分为学习数据集和校正数据集;
(4)、随机产生待选池中的隐藏层节点;
(5)、根据Volterra级数模型和学习数据集中的数据,基于最大相关度原则,利用多粒子群算法选出最优的隐藏层节点;
(6)、将最优的隐藏层节点加入当前的网络中,更新输出层和网络当前的输出,再返回步骤(5)搜索下一节点,直至搜索树在该路径下的神经元数目达到最大值;
(7)、对搜索树中生成的最终完整路径,利用CP准则得到隐藏层的最终维度和最终的隐藏层结构;
(8)、利用最终生成的隐藏层模型,利用训练数据重新训练极限学习机的输入层,得到基于树搜索极限学习机模型;
(9)、将待检测电子系统的早期故障信号输入至基于树搜索极限学习机模型中,预测出电子系统的早期故障趋势。
本发明的发明目的是这样实现的:
本发明基于树搜索极限学习机的电子系统早期故障预测方法,先利用电子系统早期的故障信号作为原始的输入信号,采用Volterra级数模型得到预测模型的输入层数据,再利用树搜索方法构造用于预测故障信号的极限学习机,同时采用多维粒子群算法构造极限学习机隐藏层中的神经元,预测故障信号趋势,从而提高电子系统早期的故障信号的预测精度高,且模型精简高效。
同时,本发明基于树搜索极限学习机的电子系统早期故障预测方法还具有以下有益效果:
(1)、本发明结合Volterra模型的精确性和极限学习机的简洁性、高鲁棒性的特点,该方法利用极限学习机方法对时间序列精确建模,以Volterra级数模型的合成序列作为极限学习机模型的输入层,同时在构造预测模型阶段通过多维粒子群生成具有更高预测精度的隐藏层神经元,利用树搜索方法优化隐藏层结构,进一步提高序列预测的精度。
(2)、本文提出的方法在预测精度上较现有的几种典型的预测方法有较高的提升,且构造模型更加简洁,准确,高效。
附图说明
图1是本发明基于树搜索极限学习机的电子系统早期故障预测方法流程图;
图2是搜索树的结构图
图3是预测的真空管雷达发射机系统的结构图
图4是预测效果图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
图1是本发明基于树搜索极限学习机的电子系统早期故障预测方法流程图。
在本实施例中,如图1所示,本发明一种基于树搜索极限学习机的电子系统早期故障预测方法,包括以下步骤:
S1、采集电子系统早期故障信号的原始时间序列X={x1,x2,...,xN},其中,xi表示第i时刻的信号值;
S2、对采集的原始时间序列X={x1,x2,...,xN}进行相空间重构,利用最优熵率方法,计算最优状态下的延迟时间τ和嵌入维数m,并将延迟时间τ和嵌入维数m作为最优相空间模型的延迟时间τopt和嵌入维数mopt,得到相空间模型Xs;该相空间构造模型的熵率可定义为:
其中,H(x,m,τ)为当前构造相空间序列的微熵,<H(x,m,τ)>为微熵的平均值,ρj为第j个延迟向量与最近邻点之间的欧式距离,n=N-(m-1)τ,而Ce为欧拉常数,取值为0.5772。当熵率达到最小时,对应的相空间模型即为最优解,根据其对应的参数,构造相空间模型为:
Xs={xt,xt-τ,xt-2τ,...,xt-(m-1)τ}
其中,Xs为根据延迟时间τ和序列维数m建立的相空间模型,xt-kτ为原始时间序列的第t-kτ时刻的信号值,k=0,1,2……(m-1)。
S3、根据相空间模型,构造Volterra级数模型,本方法采用的是二阶Volterra级数模型:
其中,Xv,i为二阶Volterra级数模型,xi-kτ为初始序列在i-kτ时刻的电压值,k=0,1,2……(m-1),xi-pτxi-qτ为Volterra级数的二次项,p=0,1,2……(m-1),q=1,2……(m-1)。
为使得建立的早期故障趋势预测模型更加精确,可以对模型中的参数进行进一步的筛选。本方法采用最小角回归法对构造的Volterra级数模型中的参数进行筛选,将筛选后的合成序列作为输入序列,本实施例将输入序列分为学习数据集和校正数据集两个部分。
S4、随机生成待选池中神经元的权重和偏置:
Wc={wc,1,wc,2,wc,3,...,wc,N}
Xs={xt,xt-τ,xt-2τ,...,xt-(m-1)τ}
bc={bc,1,bc,2,bc,3,...,bc,N}
其中,N为隐藏层神经元的数目。
S5、根据当前构造的极限学习机模型和学习数据集中的数据,基于最大相关度原则,利用多粒子群算法选出最优的隐藏层节点,具体步骤如下:
S5.1、计算待选池中各个神经元节点的输出与当前构建模型的预测残差的相关度如下所示:
c(wc,j,bc,j)=(Tlearn-y)Thc,j
其中,y为当前模型的输出,Tlearn为系统的实际信号输出,hc,i为第i个节点的隐藏层输出。
S5.2、根据待选池节点权重,偏置的设定和相关度信息,利用小生境算法,将待选池划分为M个子种群。通过计算节点之间的适应度欧式距离比,得到两节点之间的相似性:
其中,c(wj,bj)表示节点的相关度,||(wj,b,j)-(wi,bi)||为两节点之间的欧式距离,
ɑ为比例系数,满足:
其中,||s||是搜索域的规模,c(wg,bg)和c(ww,bw)分别为最优节点和最差节点的相关度。
S5.3、对每一个子种群,利用粒子群算法对节点进行优化,得到各个子种群的最优节点再选取相关度最大的最优节点作为全局最优解;
同时,根据各子种群的最优节点的相关度更新个体最优解,具体更新方式为:
利用以下公式更新节点的权重和偏置:
vwi,j(t+1)=r(t)vwi,j(t)+c1r1,j(t)(wpbest,j(t)-wi,j(t))+c2r2,j(t)(wgbest,j(t)-wi,j(t))
wi,j(t+1)=wi,j(t)+vwi,j(t)
vbi(t+1)=r(t)vwi(t)+c1ri(t)(bpbest(t)-bi(t))+c2ri(t)(bgbest(t)-bi(t))
bi(t+1)=bi,j(t)+vbi(t)
其中,vwi,j为第i个节点对应第j个输入特征信号的权重增加值,vbi为第i个节点对应的偏置增加值,t代表当前节点更新的次数。
S6、如图2所示,将最优的隐藏层节点加入当前的网络中,更新输出层和网络当前的输出,再返回步骤S5搜索下一节点,直至搜索树在该路径下的神经元数目达到最大值;
下面我们将最优的隐藏层节点加入当前的网络中,更新输出层和网络当前的输出的具体过程进行说明。
对于第i个子种群生成的最优神经元,将该最优神经元加入当前隐藏层中,更新极限学习机的输出层权重:
其中,hopt为选择节点的隐藏层输出,Hk-1为当前网络的隐藏层输出,γt+1为当前节点在输出层的权重,计算如下:
其中,cmax为相关度最大值,cmin为相关度最小值。
S7、对搜索树中生成的最终完整路径,利用CP准则得到隐藏层的最终维度和最终的隐藏层结构,取评价值最小的相应模型为最终生成的隐层模型。
S8、利用最终生成的隐藏层模型,利用训练数据重新训练极限学习机的输入层:
β=(HTH)-1HTTtrain
最后得到基于树搜索极限学习机模型;
S9、将待检测电子系统的早期故障信号输入至基于树搜索极限学习机模型中,预测出电子系统的早期故障趋势。
实施
为说明本发明的技术效果,采用某型真空管雷达发射机系统为例对本发明进行实施验证。以某型真空管雷达发射机系统为例,其高压电源为系统中的重要模块,其构成如图3所示。其中输入整流滤波电路常采用三相桥式整流电路,因为它可以在输入同等交流功率时得到最大的直流功率输出且输出纹波电压小;DC/DC功率转换的电路拓扑结构常采用全桥移相式软开关控制方式,开关器件大多采用大功率绝缘双极晶体管(IGBT);变压器通过改变初次级的匝比从而调节输出电压,以及实现输入输出的电气隔离的作用。输出滤波电路不易引起高频振荡,对提高动态稳定性和响应速度有利。
该高压电源对雷达发射机射频输出信号的影响主要由电源纹波引起,因此对高压电源纹波的早期趋势预测是真空管雷达发射机故障趋势预测中的一项重要内容。表1是某雷达维修厂在发射机供电电源电路早期退化中等间隔采样的40个纹波系数历史数据。从表中可知:随着高压电源的使用时间的增加,纹波系数在逐渐增加,但早期变化趋势并不明显。因此,本方法选择表中纹波系数作为被预测特征以实现对高压电源电路的早期故障趋势预测。
在试验中,将前30组测量数据用作模型的训练数据,而将后10组数据用作测试数据。为衡量和比较测试性能,利用Levenberg Marquart算法,贝叶斯回归算法,ELM和本发明方法对电压数据进行预测。
表1
使用算法 | Levenberg Marquart算法 | 贝叶斯回归算法 | 极限学习机 | 本发明 |
神经元个数 | 20 | 20 | 20 | 15 |
训练精度(MSE) | 5.95E-04 | 6.41E-06 | 1.55E-08 | 3.25E-09 |
预测精度(MSE) | 2.67E-03 | 1.19E-04 | 1.82E-05 | 1.65E-05 |
表2
从表2可看出,本发明的预测方法相比于现有的预测方法具有预测精度高,模型规模小的特点。
由图4可看出,本方法建立的预测模型可以准确的对故障信号老化曲线进行预测。仿真实验结果表明,本文提出的方法在预测精度上较现有的几种典型的预测方法有较高的提升,且构造模型更加简洁,准确,高效。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (3)
1.一种基于树搜索极限学习机的电子系统早期故障预测方法,其特征在于,包括以下步骤:
(1)、采集电子系统早期的故障信号;
(2)、通过最优熵率的方法对早期的故障信号进行相空间重构,构建相空间模型,其中,相空间重构时,将最小熵率对应的延迟时间和嵌入维数作为最优相空间模型的延迟时间和和嵌入维数;
(3)、根据相空间模型生成Volterra级数模型,再利用最小角回归法对构造的Volterra级数模型中的参数进行筛选,将筛选后的参数作为输入序列,并将输入序列的数据划分为学习数据集和校正数据集;
(4)、随机产生待选池中的隐藏层节点;
(5)、根据Volterra级数模型和学习数据集中的数据,基于最大相关度原则,利用多粒子群算法选出最优的隐藏层节点;
(6)、将最优的隐藏层节点加入当前的网络中,更新输出层和网络当前的输出,再返回步骤(5)搜索下一节点,直至搜索树在该路径下的神经元数目达到最大值;
(7)、对搜索树中生成的最终完整路径,利用CP准则得到隐藏层的最终维度和最终的隐藏层结构;
(8)、利用最终生成的隐藏层模型,利用训练数据重新训练极限学习机的输入层,得到基于树搜索极限学习机模型;
(9)、将待检测电子系统的早期故障信号输入至基于树搜索极限学习机模型中,预测出电子系统的早期故障趋势。
2.根据权利要求1所述的基于树搜索极限学习机的电子系统早期故障预测方法,其特征在于,所述步骤(5)中,利用多粒子群算法选出最优的隐藏层节点的方法为:
(2.1)、计算待选池中各个神经元节点的输出与当前构建模型的预测残差的相关度;
c(wc,j,bc,j)=(Tlearn-y)Thc,j
其中,y为当前模型的输出,Tlearn为系统的实际信号输出,hc,i为第i个节点的隐藏层输出;
(2.2)、根据待选池节点权重,利用小生境算法将待选池划分为M个子种群;然后计算节点之间的适应度欧式距离比,得到两节点之间的相似性:
其中,c(wj,bj)表示节点的相关度,||(wj,b,j)-(wi,bi)||为两节点之间的欧式距离,
ɑ为比例系数,满足:
其中,||s||是搜索域的规模,c(wg,bg)和c(ww,bw)分别为最优节点和最差节点的相关度;
(2.3)、对每一个子种群,利用粒子群算法对节点进行优化,得到各个子种群的最优节点再选取相关度最大的最优节点作为全局最优解;
同时,根据各子种群的最优节点的相关度更新个体最优解,具体更新方式为:
更新节点的权重和偏置:
vwi,j(t+1)=r(t)vwi,j(t)+c1r1,j(t)(wpbest,j(t)-wi,j(t))+c2r2,j(t)(wgbest,j(t)-wi,j(t))
wi,j(t+1)=wi,j(t)+vwi,j(t)
vbi(t+1)=r(t)vwi(t)+c1ri(t)(bpbest(t)-bi(t))+c2ri(t)(bgbest(t)-bi(t))
bi(t+1)=bi,j(t)+vbi(t)
其中,vwi,j为第i个节点对应第j个输入特征信号的权重增加值,vbi为第i个节点对应的偏置增加值,t代表当前节点更新的次数。
3.根据权利要求1所述的基于树搜索极限学习机的电子系统早期故障预测方法,其特征在于,,所述步骤(6)中,更新输出层和网络当前的输出的具体方法为:
(3.1)、对于第i个子种群生成的最优神经元,将该最优神经元加入当前隐藏层中,更新极限学习机的输出层权重:
其中,hopt为选择节点的隐藏层输出,Hk-1为当前网络的隐藏层输出,γt+1为当前节点在输出层的权重,计算如下:
其中,cmax为相关度最大值,cmin为相关度最小值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910439957.9A CN110222606B (zh) | 2019-05-24 | 2019-05-24 | 基于树搜索极限学习机的电子系统早期故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910439957.9A CN110222606B (zh) | 2019-05-24 | 2019-05-24 | 基于树搜索极限学习机的电子系统早期故障预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110222606A true CN110222606A (zh) | 2019-09-10 |
CN110222606B CN110222606B (zh) | 2022-09-06 |
Family
ID=67817905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910439957.9A Active CN110222606B (zh) | 2019-05-24 | 2019-05-24 | 基于树搜索极限学习机的电子系统早期故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110222606B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178546A (zh) * | 2019-12-31 | 2020-05-19 | 华为技术有限公司 | 机器学习模型的搜索方法及相关装置、设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354646A (zh) * | 2015-12-04 | 2016-02-24 | 福州大学 | 一种混合粒子群优化与极限学习机的电力负荷预测方法 |
CN105700549A (zh) * | 2016-01-21 | 2016-06-22 | 北京理工大学 | 一种基于序列小生境粒子群算法的无人机多航迹规划方法 |
CN105975749A (zh) * | 2016-04-28 | 2016-09-28 | 上海交通大学 | 一种轴承健康评估与预测的方法及系统 |
CN106790248A (zh) * | 2017-01-23 | 2017-05-31 | 中南大学 | 一种基于双自适应正则化在线极限学习机的网络入侵检测方法 |
CN107122861A (zh) * | 2017-04-28 | 2017-09-01 | 辽宁工程技术大学 | 一种基于pca‑pso‑elm的瓦斯涌出量预测方法 |
CN108171263A (zh) * | 2017-12-26 | 2018-06-15 | 合肥工业大学 | 基于改进变分模态分解和极限学习机的滚动轴承故障诊断方法 |
CN108537663A (zh) * | 2018-03-21 | 2018-09-14 | 河南理工大学 | 一种股票趋势预测方法 |
CN108804764A (zh) * | 2018-05-07 | 2018-11-13 | 电子科技大学 | 一种基于极限学习机的锂电池老化趋势预测方法 |
CN109145516A (zh) * | 2018-10-08 | 2019-01-04 | 电子科技大学 | 一种基于改进型极限学习机的模拟电路故障识别方法 |
CN109299727A (zh) * | 2018-08-04 | 2019-02-01 | 辽宁大学 | 信息重构的改进极限学习机故障诊断方法 |
CN109448061A (zh) * | 2018-10-09 | 2019-03-08 | 西北工业大学 | 一种无需摄像机标定的水下双目视觉定位方法 |
-
2019
- 2019-05-24 CN CN201910439957.9A patent/CN110222606B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354646A (zh) * | 2015-12-04 | 2016-02-24 | 福州大学 | 一种混合粒子群优化与极限学习机的电力负荷预测方法 |
CN105700549A (zh) * | 2016-01-21 | 2016-06-22 | 北京理工大学 | 一种基于序列小生境粒子群算法的无人机多航迹规划方法 |
CN105975749A (zh) * | 2016-04-28 | 2016-09-28 | 上海交通大学 | 一种轴承健康评估与预测的方法及系统 |
CN106790248A (zh) * | 2017-01-23 | 2017-05-31 | 中南大学 | 一种基于双自适应正则化在线极限学习机的网络入侵检测方法 |
CN107122861A (zh) * | 2017-04-28 | 2017-09-01 | 辽宁工程技术大学 | 一种基于pca‑pso‑elm的瓦斯涌出量预测方法 |
CN108171263A (zh) * | 2017-12-26 | 2018-06-15 | 合肥工业大学 | 基于改进变分模态分解和极限学习机的滚动轴承故障诊断方法 |
CN108537663A (zh) * | 2018-03-21 | 2018-09-14 | 河南理工大学 | 一种股票趋势预测方法 |
CN108804764A (zh) * | 2018-05-07 | 2018-11-13 | 电子科技大学 | 一种基于极限学习机的锂电池老化趋势预测方法 |
CN109299727A (zh) * | 2018-08-04 | 2019-02-01 | 辽宁大学 | 信息重构的改进极限学习机故障诊断方法 |
CN109145516A (zh) * | 2018-10-08 | 2019-01-04 | 电子科技大学 | 一种基于改进型极限学习机的模拟电路故障识别方法 |
CN109448061A (zh) * | 2018-10-09 | 2019-03-08 | 西北工业大学 | 一种无需摄像机标定的水下双目视觉定位方法 |
Non-Patent Citations (3)
Title |
---|
B.Y. QU等: "Niching particle swarm optimization with local search for multi-modal optimization", 《INFORMATION SCIENCES》 * |
WENJUAN MEI等: "A MDPSO-Based Constructive ELM Approach With Adjustable Influence Value", 《IEEE ACCESS》 * |
王彦彬等: "基于网格搜索和ELM的冲击地压危险等级预测", 《中国安全科学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178546A (zh) * | 2019-12-31 | 2020-05-19 | 华为技术有限公司 | 机器学习模型的搜索方法及相关装置、设备 |
CN111178546B (zh) * | 2019-12-31 | 2023-05-23 | 华为技术有限公司 | 机器学习模型的搜索方法及相关装置、设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110222606B (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107561997B (zh) | 一种基于大数据决策树的电力设备状态监测方法 | |
CN109932627A (zh) | 一种gis耐压试验局部放电的定位方法及系统 | |
Xie et al. | Predicting lightning outages of transmission lines using generalized regression neural network | |
CN103177188B (zh) | 一种基于特征映射的电力系统负荷动特性分类方法 | |
CN109142946A (zh) | 基于蚁群算法优化随机森林的变压器故障检测方法 | |
CN104899135A (zh) | 软件缺陷预测方法和系统 | |
CN103902814A (zh) | 基于动态分区的电力系统运行状态检测方法 | |
CN105574586B (zh) | 基于mpso-bp网络的通用飞机航材需求预测方法 | |
CN110147827A (zh) | 一种基于iaalo-svm与相似性度量的故障预测方法 | |
CN109002781A (zh) | 一种储能变流器故障预测方法 | |
CN110263945A (zh) | 基于马尔科夫链的配电网线损处理系统 | |
Zhang et al. | Low-voltage distribution grid topology identification with latent tree model | |
Thomas et al. | Neural architecture search algorithm to optimize deep transformer model for fault detection in electrical power distribution systems | |
CN110222606A (zh) | 基于树搜索极限学习机的电子系统早期故障预测方法 | |
CN103344881A (zh) | 基于组合型交叉熵算法的电网故障诊断方法 | |
CN103675518B (zh) | 油浸式高压设备检修方法及装置 | |
CN102968669A (zh) | 对负荷进行预测的方法和装置 | |
Chong et al. | Load prediction using support vector regression | |
CN117767250A (zh) | 基于故障监测的直流微电网协调控制方法及系统 | |
CN113298296A (zh) | 一种自下而上的输电变电站日前负荷概率预测方法 | |
CN109031057A (zh) | 一种高压电力设备局部放电模式识别方法和装置 | |
Sha et al. | Prediction of commercial building lighting energy consumption based on EPSO-BP | |
CN116204771A (zh) | 电力系统暂态稳定关键特征选择方法、装置及产品 | |
CN115618286A (zh) | 变压器局部放电类型识别方法、系统、设备、终端及应用 | |
Cao et al. | An improved cuckoo search algorithm for semiconductor final testing scheduling |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |