【背景】为减少对领域专家的过分依赖，实现企业专家经验知识的继承，面向采煤机方案设计中总体技术参数的确定过程，结合采煤机条件属性与决策属性间的映射关系，提出了基于极限学习机的采煤机功率预测模型。采用遗传算法选定最佳隐层神经元个数，利用递进方式比选确定激励函数，随机产生输入权值及隐元偏置，由此计算隐层节点输出矩阵、隐层与输出层连接权重，进而完成建模与优化。模型可根据用户输入的不同原始设计条件输出采煤机功率的预测值。选用某煤机企业的实例数据进行算例分析，将其与基于支持向量机回归预测模型进行对比，实验结果表明，ELM模型可实现600 ms内完成单次功率预测，预测值与真实值平均相对误差在2.5%以内。其预测精度优于SVM模型，且在学习速度方面优势明显，推理效率显著提高。

　　Step1:载入实验数据，随机选取样本数据75%作训练集，其余为测试集。

 

　　Step2:将数据归一化至[-1,1]，使其处于同一数量级，以消除不同指标间量纲影响;分离条件属性及决策属性并对条件属性进行降维约简，有效保留输入与不同输出间决策关系，2者可降低计算复杂度，加快程序收敛。

 

　　Step3:利用遗传优化算法选定隐层神经元个数;程序随机设定输入层与隐层连接权重及隐层神经元偏置。

 

　　Step4:由输入层与隐层连接权重、隐层神经元偏置及选定的激励函数(以均方误差作适应度评价指标)计算隐层节点输出矩阵。

 

　　Step5:计算隐层与输出层连接权重。

 

　　Step6:以训练集数据对模型进行训练，并以此进行第1次精度检测，预测误差应控制在5%以内，若精度满足则保存模型，否则重复Step3。

 

　　Step7:以测试集数据再次检测模型精度，若达到上述精度要求则输出模型。

 

【来源】丁华，常琦，杨兆建，等.基于极限学习机的采煤机功率预测算法研究[J].煤炭学报,2016,41(3):794-800.