马超
- 作品数：6 被引量：50H指数：4
- 供职机构：军械工程学院更多>>
- 发文基金：军内科研计划重点项目更多>>
- 相关领域：自动化与计算机技术交通运输工程机械工程动力工程及工程热物理更多>>
- 基于ELM和证据理论的发动机故障诊断被引量：4
- 2013年
- 针对发动机故障多样性和复杂性等特点,基于信息融合原理,提出了一种基于极限学习机(ELM)和D-S证据理论相结合的发动机故障诊断方法。该方法通过构建多子ELM分类模块进行局部诊断,采用类内间距法求出实际输出与标准输出的相似度矩阵,并将其归一化得到各单一传感器的信度函数分配框架,运用证据理论融合得出最终的诊断结果。实例表明,该方法通过对多源多特征参数进行融合,充分利用了各传感器的冗余及互补信息,与单一振动或噪声信号的诊断效果相比,显著提高了故障诊断精度,降低了诊断结果的不确定性。
- 马超张英堂李志宁尹刚
- 关键词：极限学习机信息融合D-S证据理论故障诊断
- 在线核极限学习机及其在时间序列预测中的应用被引量：6
- 2014年
- 为有效利用贯序输入的状态参数对液压设备的运行状态进行在线实时监测,提出一种在线核极限学习机方法（OL-KELM）.OL-KELM采用Cholesky分解将核极限学习机（KELM）从离线模式扩展到在线模式,其网络权值可在历史训练数据的基础上,随新样本的输入而递推求解更新,并以简单的四则运算替代复杂的矩阵求逆,从而提高网络的学习效率.混沌时间序列在线预测仿真表明,在获得同样预测精度的条件下,该方法的训练时间为KELM的40%-60%;基于时间序列预测的液压泵状态在线实时监测实例表明,该方法的预测误差为SRELM（sequential regularized extreme learning machine）的28.3%-46.2%,且鲁棒性更强,故OL-KELM能够满足液压设备在线实时状态监测的要求.
- 马超张英堂
- 关键词：时间序列预测液压泵鲁棒性
- 基于PSO-KELM的发动机特征参数预测被引量：6
- 2014年
- 针对发动机特征参数预测中的参数选择及预测模型建立的问题,提出一种基于粒子群优化核极限学习机(PSO-KELM)的发动机特征参数预测方法。根据能够反映发动机性能及技术状况变化趋势、不解体检测和抗干扰的原侧,选择排气温度作为表征发动机运行状况的特征参数,以发动机水温、油温、尺杆位移和转速作为关联特征量。通过核极限学习机(KELM)建立预测模型,采用粒子群算法对KELM的惩罚系数和核参数进行优化,以减少人为因素的影响。车辆在怠速和行驶工况下的特征参数预测结果表明,与基于粒子群优化的最小二乘支持向量机预测模型(PSO-LS-SVM)和基于网格搜索优化的核极限学习机预测模型(NS-KELM)相比,PSO-KELM的预测精度更高,为发动机特征参数预测提供了一条有效途径。
- 马超张英堂李志宁
- 关键词：发动机特征参数粒子群算法
- 基于快速留一交叉验证的核极限学习机在线建模被引量：27
- 2014年
- 提出了一种基于快速留一交叉验证(FLOO-CV)的在线核极限学习机(OKELM),以逐次增加新样本与删除旧样本的方式进行在线训练;设计了一种无需人为设定、能够根据系统过程特性自适应改变的FLOO-CV预测误差阈值,根据误差阈值仅引入预报误差较大的样本对模型进行更新,以提高模型的稀疏性和泛化能力;利用Hermitian矩阵求逆引理实现了对网络输出权值的递推求解,减小了在线存储空间和计算时间.经混沌时间序列预测和连续搅拌釜式反应器的过程辨识结果表明,相比于离线核极限学习机、无稀疏策略的在线核极限学习机和在线序贯极限学习机,OKELM具有更快的计算速度和更高的学习精度.
- 张英堂马超李志宁范红波
- 关键词：核方法极限学习机
- 基于核极限学习机的液压泵特征参数在线预测被引量：7
- 2014年
- 研究液压泵特征参数的在线预测问题。对表征液压泵工作状态的特征参数进行准确、快速的在线预测,对实时掌握液压泵健康状况的发展趋势具有重要意义。针对液压泵特征参数在线预测问题,提出一种在线核极限学习机方法(OLKELM)。OL-KELM采用Cholesky分解将核极限学习机(KELM)从离线模式扩展到在线模式,网络权值可在历史训练数据的基础上,随新样本的输入而递推求解更新,并以简单的四则运算替代复杂的矩阵求逆,从而提高网络的在线学习效率。仿真结果表明,在获得同样预测精度的条件下,OL-KELM比直接在线核极限学习机的计算速度更快,且预测误差小于贯序正则极限学习机,并具有更强的鲁棒性,故OL-KELM能够对液压泵特征参数进行快速准确的在线预测。
- 马超张英堂李志宁尹刚
- 关键词：液压泵特征参数鲁棒性
- 基于VAE-ELM的时间序列预测及应用被引量：2
- 2014年
- 针对传统自适应集成极限学习机预测算法中集成权值更新不充分,受人为因素影响较大所导致的集成模型预测精度较低的问题,提出一种基于方差自适应集成极限学习机(Variance Adaptive Ensemble of Extreme Learning Machine,VAE-ELM)的时间序列预测算法。该算法以最小化预测误差为目标,根据各个弱学习机的预测误差,通过反复迭代自适应地对其集成权值进行多次更新,按照最终的集成权值向量集成各个弱学习机得到最终输出。时间序列的仿真结果及液压泵状态参数预测实例表明,与E-ELM和AE-ELM算法相比,该算法鲁棒性强,预测精度更高。
- 马超张英堂任国全李志宁尹刚
- 关键词：自适应极限学习机时间序列预测液压泵
