典型文献
基于APSO_ELM算法的地铁列车碳滑板磨耗的预测
文献摘要：
为了准确预测地铁列车碳滑板磨耗量,本文选择训练速度快、参数设置少、准确度高的极限学习机(ELM)模型.针对ELM模型在训练过程中随机产生权值和阈值,导致模型泛化能力不足、稳定性差等缺点,引入基于收缩因子改进的自适应粒子群算法(APSO)对其进行优化,提出了一种基于自适应粒子群优化极限学习机(APSO-ELM)的碳滑板磨耗预测模型.将该模型运用到碳滑板磨耗实例预测中,在选取的270组样本数据中,前235组作为训练样本,后35组作为测试样本,以影响碳滑板磨耗的主要因素——地铁运行公里数作为输入参数,以碳滑板厚度为输出参数,将预测结果与ELM模型预测进行对比.结果表明,APSO-ELM模型有较高的预测精度,预测值更逼近于实际值,验证了APSO-ELM模型在碳滑板磨耗预测中的可靠性和有效性.
文献关键词：
碳滑板磨耗;ELM;收缩因子;APSO-ELM
中图分类号：
作者姓名：
郝玉然;王自鑫;李正培
作者机构：
郑州地铁集团有限公司,郑州 450000
文献出处：
引用格式：
[1]郝玉然;王自鑫;李正培-.基于APSO_ELM算法的地铁列车碳滑板磨耗的预测)[J].现代计算机,2022(18):42-46
A类：
B类：
APSO,ELM,地铁列车,碳滑板磨耗,准确预测,测地,耗量,训练速度,参数设置,训练过程,权值,模型泛化,泛化能力,收缩因子,因子改进,自适应粒子群算法,自适应粒子群优化,粒子群优化极限学习机,磨耗预测,训练样本,地铁运行,公里数,输入参数,板厚,输出参数,逼近,可靠性和有效性
AB值：
0.221328
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
