基于Jerk流形正则化深度极限学习机的电能质量复合扰动识别

为了有效利用电能质量复合扰动识别中存在的大量难以标注的实测样本,提出了一种基于Jerk流形正则化深度极限学习机(DJRELM)的半监督扰动学习方法. 算法通过堆叠嵌入Jerk流形正则化的极限学习机自编码器(JRELM-AE)实现在复合扰动特征自动提取的同时保持数据内部流形结构. 分类层通过阈值预测极限学习机和Jerk正则化半监督极限学习机的结合将多层网络扩展到多标签半监督分类应用. 实验结果表明:该方法在不同噪声环境下的分类准确率均高于几种基于极限学习机的监督学习、半监督学习算法、传统多层极限学习机和深度卷积神经网络,具有理论意义和实用价值.     

基于残差补偿的极限学习机自编码器

极限学习机自编码器作为无监督降维方法,通过重构输入数据来提取原始样本特征,具有学习速度快、泛化性能高等优势.但经典极限学习机自编码器表示能力有限,使得重构输出和原始样本之间的残差不可避免.因此借鉴残差补偿思想,提出基于残差补偿的极限学习机自编码器,通过不断对重构残差补偿式学习来改善ELM-AE的表示能力.在6个公开数据集上进行K-means聚类实验,结果表明基于残差补偿的极限学习机自编码器(RCELM-AE)能够有效提高聚类准确率.     

一种自适应确定隐层节点数的增量半监督超限学习机算法

单隐层前馈神经网络中,隐层节点个数是影响网络的学习能力和复杂程度的重要因素.在实际应用当中,如何确定网络的隐层节点个数仍然是一个开放的问题.在半监督超限学习机(SS-ELM)的基础上,本文提出了一种增量半监督超限学习机(ISS-ELM)算法,对于给定的学习精度,该算法能够逐个或者成批地增加隐层节点,并自适应确定隐层节点...     

基于在线连续极限学习机的图像分类改进算法

结合LBP算子提取图像的局部纹理特征,在分类阶段根据优化解进行矩阵逆的区别计算并加入正则因子,最后结合在线学习方法,提出准确在线连续极限学习机的图像分类改进算法.实验结果表明,改进算法在图像分类方面比传统的极限学习机有更快的学习速度,更好的泛化性能.     

少量已知历史数据下的电能质量复合扰动识别方法

针对训练电能质量复合扰动分类模型遇到少量已知历史数据和海量未标注的采样数据共存的现象,提出了一种基于混合流形正则化图拉普拉斯-海森半监督极限学习机(Laplacian Hessian semi-supervised-extreme learning machine,LHSS-ELM)的复合扰动识别方法.所提方法通过La...     

流形正则化加权回归模型的车轮磨损量预测

针对传统流形正则化加权回归(WDMR)模型对新样本数据预测的局限性,提出基于半监督局部线性嵌入(LLE)算法的WDMR建模方法.先结合半监督流形学习的思想,建立了数据驱动的半监督LLE算法的WDMR模型.然后,根据轮轨磨耗检测数据进行了车轮踏面磨耗量的预测实验.结果表明,与传统的WDMR模型比较,半监督LLE算法的WDMR模型具有更好的拟合与泛化性能,预测精度更高,将该模型用于现场车轮踏面磨耗量的预测是有效的.     

基于半监督极限学习机的精神负荷分类

实时操作员的精神负荷(Mental Workload,MWL)监测系统对于自适应操作/辅助系统的设计和开发至关重要。虽然基于数据驱动的方法在MWL识别上已经表现出了较好的性能,但是这些方法难以获取大量的标签生理数据。本文比较了两种不同的特征提取方法:小波包变换和希尔伯特-黄变换的效果,试图将半监督极限学习机(Semi-Supervised Extreme Learning Machine,SS-ELM)应用于仅需要少量标签生理数据的操作人员精神负荷分类。实际数据分析结果表明,SS-ELM可以有效提高MWL模式分类的准确性和效率。由于无标签训练数据可以以较少的额外资源从操作员的自然操作中收集,所以利用无标签数据的半监督方法可以在时间和成本上提高模型开发的效率。     

投影自表示无监督极限学习机

无监督极限学习机在投影过程中保持原始高维空间中的稀疏或近邻结构,样本在高维空间中存在冗余信息,原始的数据结构不一定适应于投影后的低维特征空间.为此,结合无监督极限学习机和子空间聚类的自表示学习,提出投影自表示无监督极限学习机模型.该模型是面向聚类的特征提取方法,在投影过程中学习自表示子空间结构,从而使无监督极限学习机提取的特征自适应于聚类任务.在IRIS数据集、 6个基因表达和2个医学影像高维数据集上进行实验,结果表明该模型和算法是有效的.     

一种基于流形正则化的半监督人脸识别方法

在基于流形正则化的框架下提出了一种半监督学习算法(MLapRLS)并将其用于人脸识别.首先构建所有样本的最近邻图来估计数据空间的几何结构,并对多变量线性回归的目标函数增加该流形正则化项,得到针对多类问题的MLapRLS.该方法能充分利用少量有标签样本和大量易于获取的无标签样本来帮助学习以提取有效特征.在Extended YaleB和CMU PIE人脸数据库上的实验结果证明了该方法的有效性.     

一种最大化样本可分性半监督Boosting算法

针对数据实际分布与假设不匹配时半监督学习算法难以改善分类器性能的问题,该文提出一种最大化样本可分性半监督Boosting算法,通过引入"高密度区域局部散度最小、样本空间全局散度最大"准则来学习未标注的样本。该准则使用两种半监督假设(聚类假设和流形假设),减少了因半监督假设与数据不匹配造成的准确率下降问题。实验结果表明,该文算法有效提高了Boosting算法在符合聚类假设数据集和符合流形假设数据集上的准确性,提高了分类器噪声数据的稳定性。     

基于SVM和CRF的双层模型中文机构名识别

提出了一种基于支持向量机(SVM)和条件随机场(CRF)的双层模型进行中文机构名识别的方法.第一层模型采用CRF识别简单机构名,并将识别结果传至第二层辅助下一步的识别;第二层采用基于驱动的方法,将SVM和CRF结合进行复杂机构名的识别;最后将两层的识别结果合并,并通过一个后续处理对置信度较低的识别结果进行修正.大规模真实语料的开放测试表明,精确率达到94.83%,召回率达到95.02%,证明了该方法的有效性.     

前馈网络的一种高精度鲁棒在线贯序学习算法

基于离散傅里叶变换-极限学习机(DFT-ELM)提出了一种新的单隐层前馈神经网络在线贯序学习算法,命名为"在线贯序-离散傅里叶变换-极限学习机"(OS-DFT-ELM).该算法能够逐个或逐段学习数据,随着新数据的逐渐到达,单隐层前馈神经网络的内权矩阵和外权矩阵得到逐步调整.该算法与在线贯序-极限学习机(OS-ELM)相比,具有更高的精度和鲁棒性.同时,通过实验和分析,表明OS-DFT-ELM具有优良性能.     

基于角度分布的高维数据流异常点检测算法

为了有效检测高维数据流中的异常点,提出一种基于角度分布的高维数据流异常点检测(DSOD)算法.运用基于角度分布的方法准确识别高维数据集中的正常点、边界点以及异常点;构造了基于正常集、边界集的小规模数据流型计算集,以降低算法在空间以及时间上的开销;建立了正常集、边界集的更新机制,以解决大数据流的概念转移问题.在真实数据集上的实验结果表明,所提出的DSOD算法的效率高于Simple VOA算法与ABOD算法,并且适用于大数据流上的异常点检测.     

基于极限学习机的氧化镁熔池尺寸软测量研究

在电弧炉中建立大小合适的氧化镁熔池是制备氧化镁单晶的基础.为了实现对氧化镁熔池大小的控制,通过对电弧炉传热理论的分析,找出影响氧化镁熔池尺寸的主要因素,采用极限学习机对氧化镁熔池进行软测量研究,并通过与使用支持向量机的软测量模型进行比较检测了该模型的学习能力和泛化性能.实验结果表明,应用极限学习机极大地提高了前向神经网络的学习速度,同时具有较好的预测结果,有助于提高氧化镁熔池的控制精度.     

一种基于粒子群优化和核极限学习机的入侵检测算法

针对网络入侵检测准确率低、误报率高的问题,本文提出了一种基于粒子群优化和极限学习机的入侵检测算法。粒子群优化算法(PSO)是一种群智能算法,核极限学习机(KELM)是一种学习速度快、泛化能力强的经典核机器学习的方法,但是极限学习机对核函数及参数的选择直接影响它的分类性能。本文算法中利用粒子群算法优化核极限学习机的核参数,采用学习能力强且线性组合泛化能力强的全局性核函数,形成了多核极限学习机,可以有效提高单核极限学习机（ELM）分类器的性能。最后通过实验对算法性能做了对比分析,实验结果验证了本文算法的有效性。     

基于膜算法进化极限学习机的氧气转炉炼钢终点预报模型

氧气转炉炼钢的控制目标是终点温度和碳含量,但由于不能对其进行在线连续测量,直接影响了出钢的质量.针对该问题,提出一种基于膜算法进化极限学习机(ELM)的抗干扰终点预报模型.利用进化膜算法的全局寻优能力调整ELM网络参数,不仅避免了ELM网络受异常点影响出现过拟合现象,还可以寻找最优复杂度的ELM模型.将找到的ELM模型应用到转炉炼钢领域并建立终点碳含量和温度的预报模型.在仿真实验中,分别使用含有高斯噪声的标准sin C函数和氧气转炉炼钢实际生产数据进行仿真,结果表明所提模型在含噪声的数据中具有较好的预报精度和鲁棒性.     

大坝变形预报的神经网络极限学习方法

针对大坝变形具有强非线性的特点以及在采用传统BP神经网络模型进行预报时存在学习速度慢、易陷入局部极小等问题,提出将极限学习机(ELM)方法用于大坝变形预报。该方法不仅可以简化网络参数选择过程,而且可以明显提高网络的训练速度,并具有良好的泛化性能。工程实例结果分析表明了ELM方法应用于大坝变形预报具有可行性和有效性。     

互信息和核熵成分分析的油中溶解气体浓度建模

针对变压器油中溶解气体浓度的预测问题,提出了一种基于互信息和核熵成分分析(KECA)的油中溶解气体浓度预测建模方法。首先,用标准互信息变量选择方法确定模型的输入变量并对选取的输入变量进行相重构;然后,利用Renyi熵信息测度确定KECA核参数并采用KECA对相空间进行特征提取;最后,以核熵成分作为机器学习极限学习机(ELM)的输入,建立变压器油中溶解气体浓度的预测模型。实验结果表明,与灰色模型、支持向量机、BP神经网络建模方法相比,本文提出的方法能够充分利用油中溶解气体浓度信息,因而具有较优的预测精度和泛化能力。