基于布谷鸟搜索算法参数优化的组合核极限学习机

针对单核极限学习机在泛化性能上存在一定局限性的问题, 提出将再生核函数与多项式核函数相结合, 建立一种新的组合核极限学习机模型, 使其具有全局核与局部核的优点, 并选择布谷鸟搜索算法对其参数进行优化选择. 仿真实验结果表明, 采用基于再生核的组合核函数作为极限学习机的核函数可行, 在实验数据集的多值分类和回归问题上, 与传统支持向量机及单核极限学习机相比, 该模型具有更好的泛化性能.     

基于布谷鸟搜索算法参数优化的组合核极限学习机

针对单核极限学习机在泛化性能上存在一定局限性的问题, 提出将再生核函数与多项式核函数相结合, 建立一种新的组合核极限学习机模型, 使其具有全局核与局部核的优点, 并选择布谷鸟搜索算法对其参数进行优化选择. 仿真实验结果表明, 采用基于再生核的组合核函数作为极限学习机的核函数可行, 在实验数据集的多值分类和回归问题上, 与传统支持向量机及单核极限学习机相比, 该模型具有更好的泛化性能.     

基于改进和声搜索算法的生存性网络设计

网络安全性越来越受到人们的关注,因此有必要设计经济、安全的网络.生存性描述了网络对中断的抵御能力,研究考虑生存性的网络设计问题,建立基于生存性的网络优化模型.为了有效地对模型进行求解,设计了基于概率的改进和声搜索算法.最后,通过实验验证模型的合理性和算法的有效性,并通过网络的生存性分析说明了生存性对网络结构和构建成本的影响.     

基于和声搜索算法的应急资源筹集优化

在应急资源调度过程中,资源的筹集问题是其解决的核心问题之一,在应急点较多的情况下,采用穷举法等传统方法求解速度较慢,不能满足应急资源快速准确调度的需要.和声搜索算法是一种启发式全局搜索算法,在许多优化问题得到很好的应用.本文将采用和声搜索算法对此类问题进行求解,并通过实验结果验证其可行性和高效性.     

基于和声搜索算法的RGV动态调度优化模型

以2018全国大学生数学建模竞赛B题为例,针对RGV车间调度的具体案例,采用和声搜索算法和遗传算法,建立了RGV动态调度模型,解决车间CNC最优排布问题和RGV最短路径问题,得到了一个班次的RGV动态调度策略,以优化工业生产的实际过程.并代入3组系统作业参数,验证了模型的实用性和算法的有效性.     

基于和声搜索算法的支持向量机参数优化

支持向量机是建立在统计学理论基础上,以结构风险最小为原则的一种机器学习算法,能够很好地解决小样本、高维数、非线性等问题,被广泛地应用于模式识别、函数估计及回归预测等领域.但是支持向量机性能的高低往往取决于其相关参数的正确选择.为提高优化参数的精度及效率,利用和声搜索算法的全局寻优能力,对支持向量机的惩罚参数及核参数进行优化选择.通过4个标准UCI数据集的仿真实验,结果表明本算法不仅减少了搜索时间,而且所获得的参数能大幅提高支持向量机的性能和预测精度,提高了泛化能力.     

基于和声搜索算法的快递配送路径优化研究

研究了在电子商务环境下新兴的启发式和声搜索算法在快递配送路径优化中的应用,根据案例和实验得出区域内快递配送路径优化的方案,通过实验数据和传统的遗传算法做了比较,分析了两种算法在解决路径优化这类离散问题中的特点和利弊。     

基于极限学习机的板形建模与优化

以铝合金板带生产厂2100 mm轧机的4.1 mm厚铝薄板带轧制生产过程作为研究对象,综合分析各个因素对板形的影响规律,分别从平直度和截面形状两个方面建模和研究,采用平直度转换为与标准板形曲线的厚度差,建立了四辊轧制过程中铝薄板带板形预测模型,预测误差范围为-0.0223～0.0191 mm.为了进一步提高模型预测精度...     

基于优化核极限学习机的泥石流危险性评估

山区环境中泥石流的孕育受多种因素的影响,为提高泥石流危险性的预测精度,提出一种萤火虫算法(firefly algorithm, FA)优化核极限学习机(kernel based extreme learning machine, KELM)的预测模型。首先,针对数据维度爆炸的问题,通过主成分分析(principal component analysis, PCA)数据降维,使得留有大部分致灾特征信息的因子输入训练模型;然后,使用萤火虫优化算法更新核极限学习机的参数,将四川省北川县监测数据输入优化后的预测模型,并与其他传统机器学习算法进行对比分析,验证该算法的优越性;最后,使用多种指标综合评估模型的预测效果。结果表明,FA-KELM模型能够有效地简化数据结构,提高泥石流危险性预测的准确性,为泥石流灾害预测方面的研究提供参考和借鉴。     

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。     

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.     

基于极限学习机的微量溶解氧传感器优化研究

溶解氧浓度作为水质检测的重要指标,在环境监测、食品加工、电力电子等行业具有重要的应用。采用基于遗传算法优化的极限学习机算法,建立了电极长度和传感器的输出电流、响应时间之间关系的预测模型,优化了阳极与电解液的接触面积,验证了传感器的测量稳定性和精度。结果表明,当阳极与阴极的反应面积之比约为33时,传感器的残余电流小于0.2 μA,上升和下降响应时间均小于60 s;重复5次的实验结果表明,自制传感器具有较好的稳定性;与商用传感器相比,自制传感器测量的相对误差小于1%,表明其具有较高的测量精度。     

优化极限学习机的序列最小优化方法

针对传统二次规划求解方法训练优化极限学习机(OMELM)存在速度慢和效率低的问题,提出了单变量迭代序列最小优化(SSMO)算法.该算法通过在框式约束中优化拉格朗日乘子来实现目标函数的最小化:首先在初始化拉格朗日乘子中选择使目标函数值下降最大的拉格朗日乘子,将该拉格朗日乘子作为目标函数的唯一变量;然后求解目标函数的最小值并更新该变量的值;重复这个过程直到所有的拉格朗日乘子都满足二次规划问题的Karush-Kuhn-Tucker条件为止.实验结果表明:SSMO算法只需调节很少的参数值便可得到足够好的泛化性能;采用SSMO算法的OMELM方法在泛化性能上要好于采用序列最小优化算法的支持向量机方法;在随机数据集测试中,SSMO算法具有较好的鲁棒性.     

和声搜索算法优化神经网络的无线网络室内定位

室内环境复杂多变,无线信号具有强烈的时变性,支持向量机存在定位效率低,神经网络参数难以确定等难题。为了改善无线网络室内的定位效果,提出了和声搜索算法优化神经网络的无线网络室内定位模型。首先收集无线网络定位的训练样本,采用压缩感知算法减少训练样本的规模,然后采用聚类算法对样本进行聚类分析,选择最有效的训练样本,最后采用和声搜索算法优化神经网络实现无线网络定位,并通过具体仿真对比实验测试了该算法的可行性。测试结果表明,该算法的定位效果可以满足无线网络的定位实际要求。     

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。     

基于和声搜索算法的电力系统经济调度

针对风电并网对电力系统经济调度的影响,以火电机组的燃料成本及火电厂环境成本为目标函数建立模型。通过惩罚系数将污染气体排放量转化为环境成本。提出了基于模拟退火的和声搜索算法。通过与传统的遗传算法比较,验证了该算法的可行性与有效性。     

基于改进麻雀搜索算法-核极限学习机耦合算法的滑坡位移预测模型

传统的位移预测模型需要大量数据作为原始训练样本,一定程度上限制了预测模型的应用。为在有限的位移监测数据下进一步提高预测精度,针对金沙江沿岸某长期变形的滑坡体,采用麻雀搜索算法(sparrow search algorithm, SSA),结合核极限学习机算法(kernel-based extreme learning machine, KELM)算法,对滑坡的位移变化提出一种新的多变量位移预测方法,并与传统的支持向量机(support vector machine, SVM)进行对比,结果显示改进的SSA-KELM耦合滑坡预测模型比SVM模型预测精度更高,对金沙江沿岸地区的滑坡具有良好的位移预测效果。     

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。     

基于优化极限学习机的非侵入式负荷识别

在极限学习机的非侵入式负荷识别算法中,由于输入权值和隐含层阈值的随机产生容易导致误判,鉴于此,提出了一种改进的遗传算法优化极限学习机方法.对遗传算法中选择算子进行改进,改进方法为求解出个体的适应度值,并按从小到大的顺序完成排序,将排完序的种群等分成4份,按照比例从4份中择优组成新种群,对新种群中剩余个体再从适应度较大的...