摘要：为提高日径流多步预测精度,减少模型计算规模,同时提升浣熊优化(COA)算法和混合核极限学习机(HKELM)性能,提出多极小波包变换(MWPT)-改进COA算法(ICOA)-HKELM日径流时间序列预测模型。首先,利用MWPT将日径流时序数据分解为1个低频分量和2个高频分量,并构建局部高斯径向基核函数和全局多项式核函数相混合的HKELM;其次,简要介绍COA算法原理,基于Circle映射等策略对COA进行改进,提出ICOA算法,通过8个典型函数对ICOA算法进行仿真验证,并与基本COA算法、鲸鱼优化算法(WOA)、灰狼优化算法(GWO)作对比,旨在验证ICOA算法的优化性能;最后,利用ICOA优化HKELM超参数(正则化参数、核参数、权重系数),建立MWPT-ICOA-HKELM模型,并构建MWPT-COA-HKELM、MWPT-WOA-HKELM、MWPT-GWO-HKELM、小波包变换(WPT)-ICOA-HKELM、小波变换(WT)-ICOA-HKELM、MWPT-ICOA-BP模型作对比分析,通过云南省景东、把边水文站2016-2020年日径流时间序列多步预测实例对各模型进行验证。结果表明:(1)ICOA具有较好的改进效果,仿真精度优于COA、WOA、GWO算法。(2)MWPT-ICOA-HKELM模型预测效果优于其他对比模型,其对实例单步预测效果“最好”,超前3步和超前5步“较好”,超前7步“较差”,预测精度随预测步长的增加而降低。(3)利用ICOA优化HKELM超参数,可显著提高HKELM预测性能,超参数优化效果优于COA、WOA、GWO算法。

摘要：注浆量是反映灌浆施工质量的重要指标之一。目前基于机器学习的注浆量预测方法缺乏对裂隙倾向、倾角等参数的全面考虑。裂隙灌浆模拟具有能够综合考虑地质、设计、施工等因素影响的优势,然而面临裂隙参数小样本、计算效率低下的不足。针对上述问题,提出基于改进混合核极限学习机(ICSO-MKELM)的注浆量预测代理模型。主要包括:(1)提出基于改进bootstrap方法的三维随机裂隙网络模型建模方法,解决裂隙数据小样本问题,并结合离散元方法开展灌浆数值模拟研究;(2)建立基于改进混合核极限学习机的注浆量预测代理模型,采用改进的鸡群算法优化混合核极限学习机的参数选择,克服混合核极限学习机参数选择效率不高、且难以有效选择全局最优参数的不足。通过将建立的代理模型应用于某工程坝基帷幕灌浆的注浆量预测,并与基于RBF-KELM单核极限学习机模型、Poly-KELM单核极限学习机模型、BP神经网络模型的注浆量预测结果对比,验证了本文所提方法的优越性。

摘要：针对高压线路障碍物识别模型精度较低和稳定性较差等问题,提出一种基于改进狮群算法优化的多核极限学习机(ILSO-MKELM)的障碍物识别方法。通过混沌、差分和模拟退火算法对原狮群算法(LSO)进行了改进。基于所提方法用高压线路上常见的数种障碍物图片数据建立识别模型,并与极限学习机(ELM)、KELM和LSO-MKELM建立的模型作对比。测试结果表明,该模型的总体正确率与标准差分别达到了0.94和0.014,优于其他方法所建立的模型。