摘要：针对时间序列预测,在单隐层前馈神经网络的基础上,基于进化计算的优化策略,提出了一种优化的核极限学习机（optimized kernel extreme learning machine,O-KELM）方法.与极限学习机（extreme learning machine,ELM）方法相比,核极限学习机（kernel extreme learning machine,KELM）方法无须设定网络隐含层节点的数目,以核函数表示未知的隐含层非线性特征映射,通过正则化最小二乘算法计算网络的输出权值,它能以极快的学习速度获得良好的推广性.在KELM的基础上,分别将遗传算法、模拟退火、微分演化三种进化算法用于模型的结构输入选择、正则化系数以及核参数的优化选取,以进一步提高网络的性能.将O-KELM方法应用于标准Mackey-Glass混沌时间序列预测及某地区的风电功率时间序列预测实例中,在同等条件下,还与优化的极限学习机（optimized extreme learning machine,O-ELM）方法进行比较.实验结果表明,所提出的O-KELM方法在预测精度上优于O-ELM方法,表明了其有效性.

关键词：核极限学习机 优化方法 时间序列 预测 

单位：兰州交通大学自动化与电气工程学院; 兰州730070