基于ELM神经网络的FAST节点位移预测研究

doi:10.12068/j.issn.1005-3026.2017.05.005

东北大学学报:自然科学版 ›› 2017, Vol. 38 ›› Issue (5): 630-633.DOI: 10.12068/j.issn.1005-3026.2017.05.005

基于ELM神经网络的FAST节点位移预测研究

沙毅¹，陈曦¹，张立立¹，朱丽春²

(1. 东北大学计算机科学与工程学院，辽宁沈阳110169; 2. 中国科学院国家天文台，北京100012)

收稿日期:2015-12-14 修回日期:2015-12-14 出版日期:2017-05-15 发布日期:2017-05-11
通讯作者: 沙毅
作者简介:沙毅(1959-)，男，江苏无锡人，东北大学副教授，博士; 朱丽春(1964-)，女，北京人，中国科学院国家天文台研究员.
基金资助:
国家自然科学基金资助项目(11273001).

Research on FAST Node Displacement Prediction Based on ELM Neural Network

SHA Yi¹， CHEN Xi¹， ZHANG Li-li¹， ZHU Li-chun²

1.School of Computer Science & Engineering， Northeastern University， Shenyang 110169， China; 2. National Astronomical Observatories， Chinese Academy of Sciences， Beijing 100012， China.

Received:2015-12-14 Revised:2015-12-14 Online:2017-05-15 Published:2017-05-11
Contact: SHA Yi
About author:-
Supported by:
-

摘要/Abstract

摘要：

针对ELM神经网络隐含层节点数目需要人工设定，容易出现过拟合现象从而导致网络的泛化能力降低的问题，引出了基于误差最小化的ELM神经网络的改进方法EM_ELM算法，并在理论上论证了EM_ELM算法对于提高ELM神经网络预测精度和泛化能力的可行性. 随后将EM_ELM算法应用到FAST节点位移的预测模型中，并且进行了仿真验证. 仿真结果表明虽然EM_ELM神经网络在训练时间上有了一定的损失，但是仍能满足实时性的要求，而且它的预测精度和泛化能力都得到提升，证明了改进算法的有效性与可行性，进一步说明了EM_ELM神经网络更适合应用于FAST节点位移预测.

关键词: FAST节点, ELM, 神经网络, 位移预测, 可行性

Abstract:

Due to the problems that the numbers of nodes in hidden layers of ELM neural network are in need of manual setting， and the over-fitting phenomenon is easy to appear， resulting in a reduction in the network generalization， an EM_ELM algorithm was proposed to improve ELM neural network based on error minimization. The feasibility was proved in theory which could improve the prediction accuracy and generalization of ELM neural network. Meanwhile， the algorithm was also applied into the model of FAST node displacement prediction and conducted simulation finally. The results show that although EM_ELM neural network is not sufficient in training time to a certain degree， it is still proper in real-time requirement. Besides， its prediction accuracy and generalization capabilities are enhanced， which is just a proof in the effectiveness and feasibility of the improved algorithm， thereby further illustrating that the EM_ELM neural network is more suitable for FAST node displacement prediction.

Key words: FAST node, ELM, neural network, displacement prediction, feasibility

中图分类号:

TP393.17

沙毅，陈曦，张立立，朱丽春. 基于ELM神经网络的FAST节点位移预测研究[J]. 东北大学学报:自然科学版, 2017, 38(5): 630-633.

SHA Yi， CHEN Xi， ZHANG Li-li， ZHU Li-chun. Research on FAST Node Displacement Prediction Based on ELM Neural Network[J]. Journal of Northeastern University:Natural Science, 2017, 38(5): 630-633.

参考文献

[1]Qian H L，Fan F，Shen S Z.The cable-net structure supporting the reflector of FAST ［J］.China Civil Engineering Journal， 2005，38(12):18-23.
[2]朱丽春.500米口径球面射电望远镜(FAST)主动反射面整网变形控制［J］.科研信息化技术与应用，2012，3(4):67-75.(Zhu Li-chun.Control of the main active reflector of FAST［J］.E-Science Technology & Application，2012，3(4):67-75.)
[3]Jiang P，Wang Q M，Zhao Q.Optimization and analysis on cable net structure supporting the reflector of large radio telescope FAST［J］.Engineering Mechanics，2013，30(2):400-405.
[4]杜敬利，保宏，杨东武，等.索网主动反射面的形状精度调整研究［J］.工程力学，2012，29(3):212-217.(Du Jing-li，Bao Hong，Yang Dong-wu，et al.Analysis on shape accuracy adjustment of an active cable-mesh reflector［J］.Engineering Mechanics，2012，29(3):212-217.)
[5]范峰，牛爽，钱宏亮，等.FAST背架结构优化选型及单元足尺模型试验研究［J］.建筑结构学报，2010，31(12):9-16.(Fan Feng，Niu Shuang，Qian Hong-liang，et al Structural optimization and full-scale-model test for FAST back-structure unit［J］.Journal of Building Structures，2010，31(12):9-16.)
[6]Huang G B，Zhu Q Y，Siew C K.Extreme learning machine:a new learning scheme of feedforward neural networks ［C］//IEEE International Conference on Neural Networks.Budapest，2004:985-990.
[7]Wang Y，Tian G，Wen S.Prediction model of television program rating based on BP neural network ［J］.Video Engineering， 2014，38(6):94-96.
[8]Huang G B，Zhu Q Y，Siew C K.Extreme learning machine:theory and applications ［J］.Neurocomputing，2006，70(1/2/3):489-501.
[9]Soria-Olivas E，Gomez-Sanchis J，Martin J D，et al.BELM:Bayesian extreme learning machine ［J］.IEEE Transactions on Neural Networks，2011，22(3):505-509.
[10]Gan M，Peng H，Dong X P.A hybrid algorithm to optimize RBF network architecture and parameters for nonlinear time series prediction［J］.Applied Mathematical Modelling，2012，36(7):2911-2919.

[1]	刘洋，闫冬梅，孟范伟. 基于Transformer改进的两分支行人重识别算法[J]. 东北大学学报（自然科学版）, 2023, 44(1): 26-32.
[2]	张春雷，李鹤，董茂林，张圣杰. 燃料电池空气供应系统自适应神经网络滑模控制[J]. 东北大学学报（自然科学版）, 2022, 43(9): 1270-1276.
[3]	马源源，刘晏泽，刘呈隆，张甜洁. 中国投资者多角度舆情分析及其在股市预测中的作用[J]. 东北大学学报（自然科学版）, 2022, 43(8): 1201-1209.
[4]	张禹，何楷文，李清书，巩亚东. 面向STEP-NC自由曲面特征的加工操作方法智能决策[J]. 东北大学学报（自然科学版）, 2022, 43(7): 981-987.
[5]	季策，张晓. 基于GSA-BP神经网络的OFDM系统信道估计算法[J]. 东北大学学报（自然科学版）, 2022, 43(6): 769-775.
[6]	杨博文，霍军周，张伟，张占葛. 服役结构超前载荷实时预测方法的研究[J]. 东北大学学报（自然科学版）, 2022, 43(4): 541-550.
[7]	范纯龙，李彦达，夏秀峰，乔建忠. 基于随机梯度上升和球面投影的通用对抗攻击方法[J]. 东北大学学报（自然科学版）, 2022, 43(2): 168-175.
[8]	陈兵，韩烬阳，唐晓垒，夏搏然. 基于机器学习的拉矫延伸率预测模型及数值分析[J]. 东北大学学报（自然科学版）, 2022, 43(2): 236-242.
[9]	井元伟，谢海修，白云. TCP/AWM网络系统的自适应有限时间漏斗拥塞控制[J]. 东北大学学报（自然科学版）, 2022, 43(10): 1369-1375.
[10]	王璐，王帅，张国峰，徐礼胜. 基于语义分割注意力与可见区域预测的行人检测方法[J]. 东北大学学报（自然科学版）, 2021, 42(9): 1261-1267.
[11]	郑艳，姜源祥. 基于特征融合的说话人聚类算法[J]. 东北大学学报（自然科学版）, 2021, 42(7): 952-959.
[12]	于洪亮，王旭，杨丹，李维军. 基于电流观测器的链式STATCOM反步控制方法[J]. 东北大学学报（自然科学版）, 2021, 42(6): 761-767.
[13]	张涛，刘天威，杜文丽. 一种基于卷积神经网络的区域调光技术[J]. 东北大学学报（自然科学版）, 2021, 42(5): 624-632.
[14]	廖志伟，陈琳韬，黄杰栋，庄竞. 基于特征空间变换与LSTM的中短期电煤价格预测[J]. 东北大学学报（自然科学版）, 2021, 42(4): 483-493.
[15]	张永超，李琦，任朝晖，周世华. 基于域适应与分类器差异的滚动轴承跨域故障诊断[J]. 东北大学学报（自然科学版）, 2021, 42(3): 367-372.

基于ELM神经网络的FAST节点位移预测研究

Research on FAST Node Displacement Prediction Based on ELM Neural Network

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价