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.     

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.     

彩色图像分割的FCM预分类核极限学习机方法

在研究聚类算法与极限学习机的基础上实现了一种具有模糊C均值聚类算法(FCM)预分类的核极限学习机(KELM)及其在彩色图像分割中的应用.该算法采用模糊C均值聚类算法预分类训练样本,再提取其图像特征作为特征属性对核极限学习机进行训练产生分类器,进而对彩色图像进行分割.经实验验证,该算法分割彩色图像在分割速度和精度上优于FCM预分类的BP人工神经网络以及FCM预分类的支持向量机,是一种高效的彩色图像分割算方法.     

基于状态转移算法的极限学习机

目前极限学习机在训练模型时存在占用计算资源多和模型精度低等问题. 为了解决上述问题,提出了一种基于状态转移算法的极限学习机,可提升算法计算效率和模型精度. 利用状态转移算法的全局搜索特性求解线性方程组,得到极限学习机的输出权重矩阵,进而完成建模. 在分类和回归数据集上与极限学习机和其他主流算法进行对比,所提方法可以利用较少的隐藏层节点得到高精度的模型,同时具有更好的学习准确率. 这种高性能的建模方式弥补了极限学习机的不足.      

基于增量稀疏核极限学习机的柴油机故障在线诊断

为实现柴油机故障在线诊断,提出了基于增量稀疏核极限学习机(ISKELM)的快速在线诊断方法.针对核在线学习中的样本稀疏化与模型膨胀问题,提出了基于瞬时信息测量的稀疏核函数字典构造策略,根据最小化字典冗余和最大化字典元素自信息量的原则实现样本前向稀疏与后向删减,在最佳阶数内对字典进行在线扩充与修剪,从而建立阶数有限且结构稀疏的诊断模型.针对模型核权重矩阵更新问题,提出了增样学习与改进减样学习算法对核权重矩阵进行在线递推求解,降低了计算复杂度,提高了模型在线更新速度.UCI标准数据与柴油机故障数据分类实验结果表明,与几类现有在线诊断算法相比,ISKELM在保证较高分类精度的同时,极大地提高了在线建模速度,更加快速准确地实现了柴油机故障在线诊断.     

基于在线核极限学习机的股票价格预测模型

为了对股票价格进行准确、快速的在线预测,提出一种在线核极限学习机算法(OL-KELM)的股票价格预测模型.首先收集股票价格数据,采用相空间重构理论建立学习样本,然后将学习样本输入在线核极限学习机中进行学习,建立股票价格预测模型,最后对国药股份(600511)股票收盘价进行仿真实验.结果表明,相对于其他股票价格预测模型,OL-KELM提高了股票价格预测的准确性,可以准确地刻画股票价格的变化趋势.     

基于级联极限学习机的基站空调在线监测系统

提出一种基于级联极限学习机的基站空调在线监测系统。首先,基于某基站空调公司提供的监测数据集构建多个原子极限学习机分类器,每一个原子极限学习机对应一种故障类别;再将各原子分类器以级联方式组合用于未知样本的故障诊断;最后将级联极限学习机与单独的多类极限学习机算法、SVM算法、BP神经网络算法、C4. 5决策树算法进行比较测试。结果表明,级联极限学习机算法提高了小类样本的故障识别率,具有更高的故障诊断精度和较短的训练时间,且诊断时间达到在线实时的要求。     

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。     

基于抽样方法的不确定极限学习机

实际应用中的大量数据具有不确定属性,而传统的挖掘算法无法直接应用在不确定数据集上.针对不确定数据的分类问题,提出一种基于抽样方法的不确定极限学习机.该算法通过抽样的方法,对不确定数据集中样本的抽样实例进行学习和分类,得到该不确定样本的所属类别的概率,从而实现了传统极限学习机分类算法对不确定数据的分类,并极大降低了不确定对象实例的枚举代价.实验结果表明,该算法在不确定数据的分类问题中具有较好的有效性和高效性.     

正则化极限学习机的改进及其在肺结节良恶性分类中的应用

为了提高肺结节良恶性诊断中的分类准确度,提出了一种L1/L2范数约束的极限学习机(L1/L2-ELM)分类算法.将结节的方向梯度直方图(HOG)特征作为输入,通过调整后的结构自适应求解出最优权重参数,最后进行分类处理并得出分类结果.对456例肺部图像进行了实验,结果表明,其分类准确度达到94.12%,与其他分类算法相比,改进的ELM分类算法能得到更高的分类准确率.     

基于R-ELM-C的大样本集成分类算法

由于信息技术的飞速发展,在实际的数据处理过程中,单个分类器往往不能满足：(1)要求越来越高的数据分类精度和运行速度;(2)更强的泛化性能;(3)有效地适用于大样本数据分类。该文将旋转森林算法(Rotation-Forest, ROF)与极限学习机(Extreme Learning Machine, ELM)相结合,有效地解决了旋转森林算法中过拟合现象的发生,同时也提高了算法的分类性能。最后通过UCI数据集的实验验证表明,和传统的集成分类算法相比,该算法(R-ELM-C)与Bagging、Adaboosting、Rotboost、ROF、ELM等算法相比,具有更好地分类性能、稳定性与泛化性能,同时也适合于大样本数据分类。     

A Heterogeneous Ensemble of Extreme Learning Machines with Correntropy and Negative Correlation

The Extreme Learning Machine(ELM) is an effective learning algorithm for a Single-Layer Feedforward Network(SLFN). It performs well in managing some problems due to its fast learning speed. However, in practical applications, its performance might be affected by the noise in the training data. To tackle the noise issue, we propose a novel heterogeneous ensemble of ELMs in this article. Specifically, the correntropy is used to achieve insensitive performance to outliers, while implementing Negative Correlation Learning(NCL) to enhance diversity among the ensemble. The proposed Heterogeneous Ensemble of ELMs(HE2 LM) for classification has different ELM algorithms including the Regularized ELM(RELM), the Kernel ELM(KELM), and the L2-norm-optimized ELM(ELML2). The ensemble is constructed by training a randomly selected ELM classifier on a subset of the training data selected through random resampling. Then, the class label of unseen data is predicted using a maximum weighted sum approach. After splitting the training data into subsets, the proposed HE2 LM is tested through classification and regression tasks on real-world benchmark datasets and synthetic datasets. Hence, the simulation results show that compared with other algorithms, our proposed method can achieve higher prediction accuracy, better generalization, and less sensitivity to outliers.     

Distributed and Weighted Extreme Learning Machine for Imbalanced Big Data Learning

The Extreme Learning Machine(ELM) and its variants are effective in many machine learning applications such as Imbalanced Learning(IL) or Big Data(BD) learning. However, they are unable to solve both imbalanced and large-volume data learning problems. This study addresses the IL problem in BD applications. The Distributed and Weighted ELM(DW-ELM) algorithm is proposed, which is based on the Map Reduce framework. To confirm the feasibility of parallel computation, first, the fact that matrix multiplication operators are decomposable is illustrated.Then, to further improve the computational efficiency, an Improved DW-ELM algorithm(IDW-ELM) is developed using only one Map Reduce job. The successful operations of the proposed DW-ELM and IDW-ELM algorithms are finally validated through experiments.     

ELM在虫害预测中的应用研究

ELM(极限学习机)简单、易用,学习速度快且泛化性好,故将ELM引入虫害预测中。为了更好地提高ELM的效率和精度,首先采用模糊聚类对所有样本进行预处理,再把处理后的数据作为ELM的输入数据进行训练和预测。仿真实验结果表明,经过模糊聚类处理后,ELM预测精度较高,泛化性好,能够满足虫害预测对准确率和实时性的要求。通过实例,为虫害预测的应用提供一种新方法。     

基于黏菌优化极限学习机的煤矸石多光谱识别

煤和矸石的精准辨识是煤矸分选和煤炭清洁高效利用的重要前提,针对传统方法存在效率低、需加装辐射 隔离以及受环境干扰等诸多不足,提出了基于多光谱图像特性和光谱特性来识别煤和矸石,构建黏菌优化极限学 习机(Slime Mold Algorithm Extreme Learning Machine,SMA-ELM)的分类模型。 搭建多光谱数据采集系统完成煤与 矸石的光谱图像采集,通过 LBP 对光谱图像进行特征提取并使用 PCA 主成分分析对提取后的特征向量降维,输入 SMA-ELM 分类模型、蚁狮优化极限学习机(Antlion Algorithm Optimized Extreme Learning Machine,ALO-ELM)分类 模型、鲸鱼优化极限学习机(Whale Algorithm Optimized Extreme Learning Machine,WOA-ELM)分类模型进行对比, 重点研究不同波长响应下煤和矸石的辨识精度来筛选最佳波长,通过多评价指标对优化后的最优波段进行比较。 实验结果表明, SMA -ELM 分类效果最佳,第 6 波段为最优波段, SMA - ELM 在该波段的平均识别准确率为 95. 08%,煤和矸石的识别 F1-Score 分别为 96. 47%和 92. 68%,用时 10. 6 s。 所提出的方法可以实现煤和矸石的精 准识别,这对煤和矸石的智能分选具有重要的研究意义。     

洛神花花青素提取工艺及抗氧化活性研究

目的 用超声波辅助法优化提取洛神花中花青素的提取工艺,并通过斑马鱼胚胎氧化应激模型进行抗氧化活 性研究。 方法 正交法进行提取工艺优化,斑马鱼胚胎进行氧化应激干预测试抗氧化水平。 结果 洛神花花青素最 佳提取工艺条件:提取温度 30 ℃ 、超声功率 300 W、料液比 1 ∶ 40(g / mL)、超声时间 90 min,此时得率为 2. 94 mg / g。 体外抗氧化活性表明,5. 8 mg / mL 洛神花花青素对 DPPH 自由基清除率、ABTS 自由基清除率和羟自由基清除 率分别为 83. 15 %、 63. 32 %和 74. 4 %。 通过斑马鱼胚胎氧化应激模型进行抗氧化活性研究发现,洛神花花青素 能够有效保护由 AAPH 诱导的斑马鱼胚胎氧化损伤,11. 6 μg / mL 剂量组的洛神花花青素极显著降低斑马鱼胚胎 ROS 的产生,抑制脂质过氧化物的生成和降低胚胎细胞死亡率,其作用效果与 2. 9 μg / mL VC 组相近。 结论 超声 辅助正交优化后的工艺能提高洛神花花青素得率,比单因素最高得率提高 37%;良好的体内外抗氧化活性为进一 步开发洛神花提供理论基础。     

基于改进人工蜂群算法和极限学习机的刀具磨损监测

为了提高机械切削加工中刀具磨损量的实时监测精度,运用极限学习机建立刀具磨损监测模型,提出一种引入虚拟蜂的改进人工蜂群算法,对极限学习机随机产生的输入层权值和隐含层阈值进行优化。采用时域分析和经验模态分解,提取铣削加工中的切削力信号、振动信号以及声发射信号的时域特征和内禀模态能量比,从中选出对刀具磨损敏感的特征作为监测特征。利用建立的监测模型计算得到刀具磨损值,实验结果表明,优化后的极限学习机能够准确地预测刀具磨损值,且具有更简单的网络结构,同时改进后的蜂群算法也表现出了更好的寻优能力。     

基于 PCA 和 ELM 的网络入侵检测技术

针对基于传统 BP(Back Propagation)神经网络算法的入侵检测技术收敛速度慢和检测率不高的问题, 提 出了一种基于主成分分析(PCA: Principal Component Analysis)和极限学习机(ELM: Extreme Learning Machine ) 算法相结合的入侵检测方法。 对提取的特征矩阵采用了 PCA 降维, 并使用 ELM 算法对 4 类常见的攻击类型进 行了多分类检测。 实验结果表明, 该方法正确率高达 98. 337 5%, 检测时间仅 1. 851 7 s, 与传统方法相比缩短 了 2 ~6 倍, 同时还提高了检测率和精度, 降低了误报率和漏报率。 最终改善了正确率、 误报率、 漏报率、 检测 率、 精度和测试时间 6 项指标。     

基于多层自动编码机的fisher判别分析

在常见的特征提取方法中,Fisher判别分析（Fisher Discriminant Analysis,FDA）只能提取线性特征,基于核的方法具有提取非线性特征的能力,但对核函数类型及其参数十分敏感. 文中研究如何有效提取数据特征,提出了一种基于多层自动编码机（Stacked AutoEncoders,SAE）和Fisher标准的特征提取算法,该算法中所使用的深度学习网络模型在训练过程中结合无监督特征提取SAE以及有监督的特征提取FDA. 通过与多层自动编码机、极限学习机（Extreme Learning Machine,ELM）等模型提取的特征进行对比,在数据集Pendigits、mnist、ORL和AR上利用支持向量机对数据特征进行分类,结果表明基于SAE的Fisher变换（FDA-SAE）在分类结果准确率以及分类时间上都有较好的效果. 特别是在小数据集AR上,当样本特征较少的情况下效果非常明显.