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。     

基于深度极限学习机的高光谱遥感影像分类研究

高光谱遥感数据越来越普及并为人们广泛使用,基于高光谱遥感数据的地面物体精确分类是高光谱遥感技术的核心应用之一.针对高光谱遥感影像的分类问题,提出一种基于深度极限学习机(D-ELM)的分类方法.该方法利用一种新的深度学习模型——深度极限学习机对高光谱遥感影像进行分类,并与基于极限学习机(ELM)、支持向量机(SVM)、核极限学习机(ELMK)分类方法进行了比较分析.研究结果表明:相对于ELM、SVM、ELMK分类方法,D-ELM分类方法能够更加准确地挖掘高光谱遥感影像的空间分布规律,提高分类的准确度.     

基于改进仿电磁学ELM在相机标定中的应用

针对相机标定时难以建立精确的数学模型以及极限学习机(ELM)在隐层节点数少时逼近精度低的问题,提出了基于改进仿电磁学(EM)优化ELM的双目视觉相机标定方法。在标定过程中,采用极限学习机精确逼近图像坐标与世界坐标间的非线性关系,利用改进EM策略,包括使用自适应步长以及空间解收缩,优化ELM的输入权重和隐层偏置,提高ELM的收敛速度和泛化能力。实验结果表明,改进EM-ELM优化算法的收敛速度快于PSO的,且用更少的隐层节点数取得较高的标定精度。     

基于加权余弦相似度与极限学习机的电力负荷短期预测

为提高电力系统管理的效率,提出一种基于加权余弦相似度与极限学习机(extreme tearning machine, ELM)的电力负荷短期预测设计。通过熵权法对电力负荷相关物理信息进行权重分配,获得的权重赋予到余弦相似度中,利用加权余弦相似度对历史日与待测日的电负荷数据进行相似度选取,筛选数据作为极限学习机的输入,提高极限学习机回归模型的精度,最终获取电力负荷预测。实验分析与反向传播BP(back propagation)神经网络、支持向量机(spupport vector machine, SVM)预测算法对比,该方法能有效提高预测模型的精度,同时简化计算量。     

小波核极限学习机及其在醋酸精馏软测量建模中的应用

传统的机器学习算法一般通过迭代进行参数寻优,导致学习速度慢,且容易陷入局部最小值。针对这个问题,提出了一种基于小波核函数的极限学习机(KEML)的软测量建模方法,将支持向量机(SVM)中核函数的思想运用到极限学习机(EML)中,避免了SVM训练速度慢以及ELM算法不稳定的缺点。将KEML算法运用于醋酸精馏的软测量建模问题中,仿真实验结果验证了该算法的学习速度是SVM的92倍,且算法的精度以及模型的泛化能力都有所提高。     

汽油辛烷值近红外光谱检测的改进极限学习机建模方法

为提高近红外光谱法检测汽油辛烷值的精度,该文提出一种汽油辛烷值近红外光谱检测的改进极限学习机(i ELM)新型建模方法。该算法融合了极限学习机算法(ELM)与基于变量投影重要性系数的改进叠加偏最小二乘回归(VIP-SPLS)模型算法,有效解决了ELM模型隐含层输出矩阵维数高和高度共线性的问题。采用该算法对汽油辛烷值的近红外光谱检测数据进行建模,发现改进极限学习机模型的精度比现有的偏最小二乘回归模型和极限学习机模型分别提高20.0%和29.3%,验证了方法的有效性。实验表明,该文方法可用于汽油辛烷值的近红外光谱检测,检测精度良好。     

短期负荷预测的集成改进极端学习机方法

首次将极端学习机(ELM)理论引入短期负荷预测领域,并以BFGS拟牛顿法对ELM网络左侧权值进行优化训练调整,形成基于迭代-解析的改进ELM预测模型.同时,采用集成技术Boosting算法,生成多个差异度大的改进ELM子网络,对其进行加权组合,构建了集成改进极端学习机预测模型.该模型不仅有效避免了极端学习机左侧权值随机给定的输出稳定性问题,而且克服了单一网络预测模型泛化能力较差等缺陷.     

基于粒子群优化算法的最优极限学习机

针对极限学习机隐含层神经元个数选取的问题,提出以粒子群优化算法搜索最佳隐含层神经元个数,用极限学习机模型的测试准确率作为粒子群优化算法适应值的方法(PSO-ELM)。基于手写数字数据集digits分别对比了随机设置隐含层神经元个数的极限学习机、用粒子群算法优化的极限学习机输入权重和隐层偏置的极限学习机(PSO-ELM)、传统的BP算法以及SVM算法对手写数字的识别率,对比结果表明,粒子群优化算法得到的隐含层神经元个数在极限学习机中拥有较高的准确率。     

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。     

一种基于ELM-SVM的遥感图像分类方法

提出一种极限学习机(ELM)和支持向量机(SVM)相融合的遥感图像分类模式.选取ELM为基础分类器,以SVM来修正改善分类效率.仿真实验结果表明,该算法不仅具有较高的分类精度,而且消除一些训练样本标签对分类的负面影响.结合ALOS/PALSAR、PSM图像与SVM、ANN(Artificial Neural Network)方法进行对比分析,发现该方法鲁棒性较好.     

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.     

超大能力超细全尾砂长距离自流输送临界流速ELM预测

 为准确预测司家营铁矿超大能力超细全尾砂浆体长距离管道自流输送的临界流速,对比传统的BP 神经网络、支持向量机(SVM),建立了以管道直径、物料平均粒径、浆体体重和体积浓度为输入因子,临界流速为输出因子的极限学习机(ELM)预测新模型。研究结果表明,ELM 模型与SVM 模型的相对误差均控制在5%以内,远低于BP 神经网络模型的9.56%。由于隐层节点参数均随机选取且无需调节,使得ELM 算法在隐层节点数为110 和200 时,训练时间仅为0.02 s 和0.05 s,远少于同节点状态SVM 模型的0.04 s 和0.095 s,且隐含节点数越多,训练时间差距越大,运算效率越高。     

基于CEEMDAN-LZC和SOA-ELM的管道信号识别

针对管道信号特征提取困难,从而影响分类精度的问题,提出了一种将信号处理和智能算法相结合的管道信号检测方法。首先,利用CEEMDAN(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise)对信号分解,对分解获得的固有模态(IMFs:Intrinsic Mode Functions)使用相关系数法获取有效的模态分量并进行信号重构;其次,计算重构信号的Lempel-Ziv复杂度和裕度作为特征参数;最后,将获取的特征参数输入到海鸥优化算法(SOA:Seagull Optimization Algorithm)优化后的极限学习机(ELM:Extreme Learning Machine)进行分类,并用实验室数据进行验证。实验结果表明,与常规极限学习机(ELM)和遗传算法优化后的极限学习机GA-ELM(Extreme Learning Machine Optimized by Genetic Algorithm)相比,SOA-ELM模型能有效的识别管道信号类型,且具有较高的识别率和较快的诊断速度。     

基于极限学习机(ELM)的视线落点估计方法

基于极限学习机(ELM)所具有的训练速度快、适合多分类的特点,提出一种新的单摄像机视线追踪系统视线落点估计方法.在初始标定阶段,将多视线参数作为ELM输入,将视线在屏幕上的落点区域作为输出,将非线性多项式作为激活函数,通过初始标定获取ELM训练数据,建立视线特征参数和视线屏幕落点之间的映射模型.实验结果表明,通过对不同角度分布的视线落点进行估计和改变隐层单元数量进行训练,基于ELM的视线落点估计方法无论视线落点精度还是稳定性均优于传统的非线性多项式拟合方法.     

基于极限学习机模型参数优化的光伏功率区间预测技术

提出一种基于极限学习机(ELM)模型参数优化的光伏功率区间预测技术.首先,提出加权欧氏距离作为光伏功率预测区间评估指标,筛选历史样本单元并优化ELM训练集;然后,提出ELM参数混合寻优算法,利用精英保留策略遗传算法与分位数回归优化ELM模型隐层输入及输出权重与偏置参数,并采用训练后的模型预测光伏功率区间;最后,基于光伏电站与气象站历史数据构建实际算例,预测光伏功率区间,并与其他方法得到的结果进行对比.算例结果表明：所提方法在增加区间预测可信度的同时,能较大程度提高区间预测准确度.     

基于PSO-ELM模型的短期电力系统负荷预测

为了提高电力负荷预测的精确度、降低预测误差,提出了一种基于粒子群优化的极限学习机(PSO-ELM)模型。通过粒子群算法对极限学习机的参数进行寻优,最后通过PSO-ELM模型和传统ELM模型预测结果的相对误差比对,改进模型将相对误差降低在1%左右,提升了学习速率和预测精度,为电网运行和电力分配提供了决策保障。     

基于SaCE-ELM的地铁牵引控制单元快速故障诊断

地铁牵引控制单元(TCU)在地铁运行过程中有重要的作用,及时有效地对其进行故障诊断,是保证地铁正常运行的重要环节.针对传统故障诊断方法的学习速度慢、易陷入局部最优、预测精度较差等缺点,提出一种使用自适应差分进化算法(SaCE)进行优化的极限学习机(SaCE-ELM),即通过自适应差分进化算法对极限学习机的输入权重、隐含层参数和输出权重进行优化.其中,差分进化算法的变异策略通过基于混沌序列的自适应机制产生,其他参数使用正态分布随机生成;网络的输出权重使用Moore-Penrose广义逆矩阵计算得出.SaCE-ELM不需要人工选择变异策略和参数,自适应策略比SaE-ELM更加简单.实验结果表明,与E-ELM、SaE-ELM、LM-NN、SVM相比,SaCE-ELM具有更好的预测精度.此外,SaCE-ELM在所有数据集上训练时间比SaE-ELM和SVM更少,有效地改善了生成模型的效率.     

基于小波能谱熵和改进ELM的转辙机故障预测

为了进一步提高铁道转辙机故障预测精度和维修效率,提出了一种基于小波能谱熵和改进极限学习机(Extreme Learning Machine, ELM)的转辙机故障预测方法.首先,将采集到的转辙机功率数据用完备集合经验模态分解方法进行预处理;然后,计算各个固有模态函数的小波能谱熵值,通过核主元分析原理方法将多维特征数据降至1维,构建转辙机的退化性能指标,得出失效阈值;最后,利用自适应鲸鱼优化算法对ELM预测模型的权值和阈值进行全局寻优,以获得最优的预测模型,实现对转辙机故障趋势的预测.用Matlab软件对新方法进行实例分析,并与支持向量机和ELM模型进行对比.仿真结果表明,与传统预测模型相比,基于改进ELM模型均方误差更接近于0,决定系数更接近于1,表明该模型预测精度更高,性能更佳,证明了该方法应用于转辙机故障预测的可行性.     

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。