优化小波神经网络停车泊位多步预测

【目的】通过改进停车泊位预测方法为交通出行提供有益帮助。【方法】利用李雅普指数对停车泊位序列进行分析,指出序列具有混沌特性,可进行多步预测。利用db32小波函数具有双正交性、紧支撑性以及消失矩阶数较大的特征,对归一化的停车泊位序列进行多尺度分解与重构,并作为小波神经网络(Wawelet neural network,WNN)的隐含层函数。为提高预测精度和降低预测时间,分别使用粒子群算法(Particle swarm optimization,PSO)和极限学习机(Extreme learning machine,ELM)来优化WNN。其中,使用PSO对WNN的权值进行调整,逐步迭代得到最优值;使用ELM将全局最优值作为单隐层前馈神经网络的输入,使得算法尽快收敛。优化后的WNN结合迭代多输出法对停车泊位进行预测。将上述预测方案称为极限学习机和粒子群算法双重优化的小波补缀网络多步预测(Multi-step prediction based on wavelet neural networkimproved by extreme learning machine and particale swarm optimization,MP-EPWNN)。【结果】仿真实验表明,相对于BP神经网络、遗传算法优化小波神经网络、极限学习机优化小波神经网络、粒子群优化小波神经网络4种算法,MP-EPWNN算法的预测均方误差平均降低了96.6%,预测所需的时间平均降低了65.97%。【结论】MP-EPWNN算法预测停车泊位是有效的。
     

基于PSO-ELM的双目视觉摄像机标定

针对极限学习机( extreme learning machine,ELM)在隐层节点数较少时标定精度较低的问题,利用粒子群优化算法( particle swarm optimization,PSO)与极限学习机相结合的方法对双目视觉摄像机进行标定。在标定过程中,ELM直接描述图像信息与三维信息之间的非线性关系,然后利用PSO优化ELM的输入权值与隐层阈值。实验结果表明,与ELM相比较,基于粒子群极限学习机( PSO-ELM)的双目视觉摄像机标定方法能仅用较少隐层节点数获得较高精度。     

基于PSO与ELM组合算法的短期光伏发电功率预测模型

光伏发电功率受自然环境因素影响较大,具有很强的随机性和波动性,准确及时的光伏发电功率预测对电网的调度运行具有重要的意义.提出了一种基于PSO与ELM组合算法的短期光伏发电功率预测模型.该模型通过调整粒子群优化算法(particle swarm optimization,PSO)不同阶段的寻优重点,为极限学习机(extreme learning machine,ELM)设定出了最佳网络参数,避免了ELM随机产生输入层权值和隐含层阈值造成的网络不稳定问题.同时结合传统神经网络和ELM网络隐含层节点选取原则为组合模型,设定了最佳隐含层节点数,提高了模型预测精度.实际算例验证了组合算法模型能够有效提高短期光伏发电功率预测的预测精度.     

基于POS-ELM的孤立性肺结节诊断方法研究

在肺结节诊断方法研究中,传统机器学习诊断方法存在诊断性能不稳定的问题。为了提高孤立性肺结节的识别准确率,提出基于粒子群优化(particle swarm optimization,PSO)参数的极限学习机(extreme learning machine,ELM)辅助诊断方法。首先采用PSO选取ELM最佳的初始权重ω和偏置b;然后利用最佳参数ω和b对ELM进行训练;再利用PSO-ELM对通过稀疏自编码得到的肺结节特征进行分类识别。实验中,将传统机器学习算法与本文方法进行对比,结果表明,利用粒子群优化算法进行优化的极限学习机在孤立性肺结节诊断方面具有较高识别准确率和稳定的分类性能,可以作为一种有效的肺结节诊断工具。     

一种基于粒子群优化的极限学习机

极限学习机(ELM)是一种新型的前馈神经网络,相比于传统的单隐含层前馈神经网络(SLFN),ELM具有速度快、误差小的优点.由于随机给定输入权值和偏差,ELM通常需要较多隐含层节点才能达到理想精度.粒子群极限学习机算法为使用粒子群算法(particle swarm optimization,PSO)选择最优的输入权值矩阵和隐含层偏差,从而计算出输出权值矩阵.一维Sinc函数拟合实验表明,相比于ELM算法和传统神经网络算法,粒子群极限学习机算法依靠较少的隐含层节点能够获得较高精度.     

基于小波-ELM神经网络的短期停车泊位预测

采用小波变换与极限学习机(ELM)相结合的方法对短时空余停车泊位进行预测.首先通过小波函数对有效停车泊位时间序列进行小波分解和重构;然后用ELM对分解后所得的各时间序列进行预测;最后对各神经网络的预测结果进行合成,得到最终的预测结果.预测实例结果表明,该方法缩短了训练时间,提高了预测结果.     

基于粒子群优化极限学习机数据预测模型研究

极限学习机(Extreme Learning Machine,ELM)是一种新型的前馈神经网络,该网络由广义逆直接求出输出层权重,使得其具有误差小、速度快的优点。但针对具体问题,ELM不能自动寻找到最佳的网络结构,从而造成该算法模型针对复杂、无规律性的数据精度及稳定性较差。为了提高极限学习机的泛化能力和预测精度,提出利用粒子群优化极限学习机算法对不同数据进行预测。使用粒子群算法(particle swarm optimization,PSO)选择最优的隐含层偏差和输入权值矩阵,计算出输出权值矩阵,从而提高ELM的精度及稳定性。并通过PSO-ELM和ELM分别对复杂程度不同的汽油辛烷值和交通流量数据进行算法预测比较发现,PSO-ELM优化算法对无规律性、复杂程度高的数据可以获得更高的精度,提高了数据预测的拟合能力。实验结果表明,PSO-ELM对于非线性、无规律性等复杂特性的数据预测具有一定的可行性和有效性。     

基于极限学习机的非平稳下击暴流风速预测

分别运用经验模态分解(empirical mode decomposition,EMD)法和快速集合经验模态分解(fast ensemble empirical mode decomposition,FEEMD)法将非平稳下击暴流风速分解为一系列稳态序列集,即固有模态分量.建立极限学习机(extreme learning machines,ELM)风速预测模型(EMD-ELM)和快速EMD-ELM(FEEMD-ELM),分别对分解后的非平稳脉动风速训练集和测试集进行预测.同时,将EMD和FEEMD与基于粒子群优化(particle swarm optimization,PSO)最小二乘支持向量机(least squares support vector machine,LSSVM)进行混合,形成EMD-PSO-LSSVM和FEEMD-PSO-LSSVM混合模型算法.通过比较这4种预测算法的结果发现,基于EMD-ELM和FEEMD-ELM的非平稳下击暴流风速预测模型更为准确高效,其中FEEMD-ELM模型预测最佳.     

PSO与PCA融合优化核极限学习机说话人识别算法仿真

基于机器学习理论开展说话人识别的研究取得了很大进展,在基于核极限学习机(kernel extreme learning machine,KELM)和梅尔倒谱系数(mel-frequency cepstral coefficients,MFCC)说话人识别研究基础上,通过主成分分析算法(principal component analysis,PCA)对MFCC进行降维优化、粒子群优化算法(particle swarm optimization,PSO)对KELM初始输入参数进行优化开展基于PSO和PCA融合优化KELM说话人识别算法研究。改进后的算法在MATLAB平台上仿真通过,并与MATLAB语音工具箱提供的神经网络和支持向量机说话人识别算法做了性能对比分析。仿真研究结果表明:通过PSO和PCA融合优化改进的KELM,初始输入参数可以任意确定并且不需要迭代更新,并能有效克服因初始权重随机确定导致的性能不稳定,进一步提高分类匹配和运算速度,具有很好的推广应用价值。     

基于结构自组织ELM的铝热连轧轧制力预测

轧制力在铝热连轧中起着重要作用,针对热轧过程中的非线性、参数强耦合性等因素使得其难以建模的问题.本文提出一种具有拓扑结构自组织的极限学习机(Topology Self-Organizing Extreme learning machine,TSO-ELM)算法,解决了ELM的结构设计问题,实现了结构和参数的自组织.根据现场数据,使用TSO-ELM算法进行铝热连轧轧制力预测,结果表明该算法与人工蜂群算法优化反向传播神经网络(Artificial bee colony algorithm optimized Back-propagation neural network,ABC-BP)和增强型增量极限学习机(Enhanced random search based incremental extreme learning machine,EI-ELM)算法对比,其训练速度和精度都得到了一定的提高.     

基于改进极限学习机的纱线质量预测

由于随机给定输入权值和偏差,极限学习机(extreme learning machine,ELM)通常需要较多隐含层节点才能达到理想精度.结合粒子群算法具有全局搜索能力的优势,提出一种基于改进ELM算法的纱线质量预测模型,采用改进粒子群算法优化ELM算法的输入权值矩阵和隐含层偏差,计算出输出权值矩阵,以减少隐含层节点数.试验结果表明,相比于ELM算法,改进ELM算法能够依靠更少的隐含层节点获得更高精度,相对误差降低2.70%,可为纱线质量预测与控制提供更有效的工具,具有广泛的推广实用性.     

基于粒子群优化算法的相关向量机边坡稳定性分析模型

为快速获取边坡稳定性系数,及时对边坡进行稳定性评价,提出一种基于粒子群优化算法(particle swarm optimization,PSO)的相关向量机(relevance vector machine,RVM)边坡稳定性分析模型。该模型通过选取影响边坡稳定性安全系数的6个主要因素,并对这6个主要影响因素产生的30组数据进行拟合训练,利用粒子群算法对相关向量机模型参数进行优化,选取最优参数值,根据这30组训练样本来对剩余4组样本进行精准预测。结果表明：与实际值进行对比,基于PSO-RVM模型预测的平均相对误差仅为5.64%,且建立的PSO-RVM预测模型的边坡稳定性安全系数的平均相对误差均明显优于利用BP(back propogation)神经网络和协调粒子群(coordinated particle swarm optimization,CPSO) -BP模型预测得到的平均相对误差,进一步为边坡稳定性预测及评价提供一种新方法。     

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。     

基于混合智能算法优化LSSVM的短期风压预测

利用最小二乘支持向量机(least square support vector machine, LSSVM)预测建筑表面的风压.为提高LSSVM对风压预测的泛化能力与精度,提出了基于混合蚁群(ant colony optimization, ACO)和粒子群(particle swarm optimization, PSO)优化LSSVM的预测方法(ACO+PSO-LSSVM),对参数进行搜索寻优,该方法避免了ACO和PSO二者的缺点并实现优势互补.利用ACO+PSO-LSSVM算法对建筑表面风压进行单点和空间点预测,并与ACO-LSSVM和PSO-LSSVM算法作比较.结果表明,基于混合蚁群优化和粒子群优化的LSSVM预测模型预测精度高、鲁棒性强,具有较高的工程应用前景.     

新型教与学优化算法及其在需水预测中的应用

针对教与学优化(teaching learning based optimization, TLBO)算法解决复杂优化问题易陷入局部最优且解的精度低的不足,提出一种高效的教与学优化算法(efficient TLBO, ETLBO)以提升标准TLBO的全局优化性能。在ETLBO中,通过双种群混洗策略将种群分成两组,通过老师单独对最差学生进行教学过程,加快算法快速收敛到全局最优。通过求解4个典型的数值函数,仿真结果验证了ETLBO算法的有效性。通过ETLBO算法优化选择极限学习机(extreme learning machine, ELM)模型参数,并构建ETLBO-ELM模型,将其应用于城市需水量预测中。仿真结果表明,ETLBO优化的ELM模型具有良好的预测精度和泛化能力。     

基于QPSO-RBFNN的短期电力负荷预测模型

为了提高短期电力负荷预测的精度,提出了一种量子行为粒子群优化(Quantumbehaved particle swarm optimization,QPSO)算法和径向基函数神经网络(Radical basis function neural network,RBFNN)相结合的电力负荷短期预测模型。通过K-均值聚类算法确定RBFNN的基函数中心,并用粒子群优化算法优化神经网络权值,在加快RBFNN收敛速度的同时提高预测精度。以实际负荷数据进行预测验证,预测负荷的均方根误差小于0.01,验证了模型的合理性和有效性。     

基于AEPSO优化的神经网络多步预测控制

为提高神经网络预测控制的性能,提出了基于自适应扩展粒子群优化的神经网络预测控制方案。基本PSO算法中,每个粒子的更新受粒子个体极值和局部极值的影响,为了提高其全局收敛性,采用多粒子策略,使每个粒子的更新受更多其他粒子的影响;为提高收敛速度,采用自适应策略,对参数c0进行自适应调整,使c0随着迭代次数的增加而逐渐减小,这样,在PSO算法的搜索过程中,随着迭代次数的增加,搜索区域会越来越小,从而加快PSO算法收敛速度。运用该算法实现神经网络预测控制中的滚动优化,在有限时域内对控制序列进行寻列,给出基于粒子群优化的神经网络预测控制系统的稳定性证明。仿真结果表明,基于粒子群优化的神经网络预测控制系统具有良好的跟踪性能。     

基于PSO-ELM的中国石油股票价格预测建模

为了提高股票价格预测的精度,针对中国石油股票价格预测问题,提出了粒子群算法(Particle Swarm Optimization,PSO)优化极限学习机(Extreme Learning Machine,ELM)的股票价格预测模型。通过粒子群算法对极限学习机的权值以及阈值参数进行优化,构建PSO-ELM预测模型,并将其用于中国石油股票价格预测。仿真实验表明,与ELM、PSO-BP、DE-ELM相比,其预测均方误差分别下降了1.84%、1.07%、0.97%,拟合优度决定系数R2为0.974 3,即PSO-ELM有着较高的预测精度。为了给股票投资者更好的投资建议,对PSO-ELM模型分别进行股价短期、中期、长期的预测,结果表明PSO-ELM模型短期预测精度较高,随着时间的推移预测的精度有所下降。     

一种基于粒子群优化的极限学习过程神经网络

本文针对过程神经元网络(Process Neural Network,PNN)模型学习参数较多,正交基展开后的梯度下降算法初值敏感、计算复杂、不易收敛等问题,结合极限学习机(Extreme Learning Machine,ELM)的快速学习特性,提出了一种新型的极限学习过程神经元网络.学习过程中摒弃梯度下降算法的迭代调整策略,采用Moore-Penrose广义逆计算输出权值矩阵.同时为弥补极限学习机由于随机赋值造成的不足,利用粒子群算法(Particle Swarm Optimization,PSO)良好的全局搜索能力进行模型参数优化,获得紧凑的网络结构,提高了模型泛化能力.仿真实验以Henon混沌时间序列和太阳黑子预测为例,验证了网络的有效性.     

改进灰狼优化算法医疗锂电池剩余寿命预测

【目的】通过改进灰狼优化算法对医疗锂电池进行剩余寿命预测,从而保障抢救时机并减少医疗事故的目的。【方法】运用小波核极限学习机(Wavelet kernel extreme learning machine,WKELM)与小生境灰狼算法(Niche grey wolf optimization,NGWO)相融合的算法形成改进灰狼优化算法WKELM-NGWO算法。采用NGWO算法对WKELM参数进行优化处理,并将最大化训练集的分类准确度作为目标函数,得到寻优过程的数学模型。采用差分方式对医疗电子设备锂电池容量的时间序列进行处理,得到多维时间序列特征向量,归一化处理获得特征向量,并将其分为训练集和测试集。计算得出每只灰狼个体的适应度值fi,并对适应度值fi进行排序,适应度值fi排在前三的个体位置分别记为Xα,Xβ,Xδ。选择最优的灰狼个体位置作为WKELM参数对数据进行训练后,对心脏起搏器用锂电池和心脏除颤仪用锂电池两种锂电池测试样本进行剩余寿命预测操作。【结果】在相同的预测起始点下,WKELM-NGWO算法的均方根误差(RMSE)误差低于WKELM和NGWO算法,基于融合算法WKELM-NGWO的医疗电子设备锂电池剩余寿命(Remaining useful life)预测曲线更接近电池的退化曲线。【结论】WKELM-NGWO融合算法增强了对不同数据的适应能力,既克服了小波核极限学习机(WKELM)学习速度慢、结构不稳定的问题,也克服了小生境灰狼算法(NGWO)求解精度低、收敛速度慢从而导致跳不出局部最优解的问题。