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BGSA和ELM的垃圾邮件检测

提出了一种新的垃圾邮件检测方法。该方法采用二进制万有引力搜索算法(Binary Gravitational Search Algorithm,BGSA)提取关键特征,使用极限学习机(Extreme Learning Machines,ELM)作为分类器进行垃圾邮件分类。收集了2014年6 000封电子邮件,比较BGSA与其他启发式优化算法,结果表明BGSA的分类性能优于GA(Genetic Algorithm)和BPOA(Binary Particle Optimization Algorithm)。     

极限学习机优化方法在蛋白质折叠类型识别中的应用

传统的机器学习方法在处理蛋白质折叠类型识别问题时需要花费大量的时间来调节最佳的参数。利用一种新的极限学习机(Extreme Learning Machine,ELM)分类优化方法(Extreme Learning Machine for Classification,ELMC)对蛋白质折叠进行识别,仅需调节很少的参数值就可达到很好的测试精度。与支持向量机(Support Vector Machine,SVM)和推荐相关向量机(Relevance Vector Machine,RVM)相比,ELMC能获得更好的泛化性能,而且在寻找最优解的训练时间比较上,ELMC比SVM平均要快35倍,比RVM要快12倍。     

基于EMD-AO-DELM的光伏功率预测算法

为提高光伏功率预测精确度,提出一种基于经验模态分解（Empirical Mode Decomposition,EMD）-天鹰优化器（Aquila Optimizer,AO）-深度极限学习机（Deep Extreme Learning Machine,DELM）的组合光伏功率预测模型.该算法对光伏发电影响因素进行分析筛选,选出与光伏输出功率高度相关的因素作为输入变量,并采用经验模态分解（EMD）将光伏原始功率数据分解为多个特征模态函数（Intrinsic Mode Function,IMF）.然后,将分解得到的IMF分量分别输入DELM预测模型,同时通过AO优化算法对DELM初始输入权重进行优化,从而提高深度极限学习机的泛化能力.最后,将各IMF分量预测结果叠加求和得到最终预测结果 .通过仿真结果表明,本文提出的EMD-AO-DELM预测模型,相较于单一DELM模型具有更好的预测精度,证明了所提方法的有效性.     

集成Dropout极限学习机数据分类方法

极限学习机(Extreme Learning Machine,ELM)是一种速度快,泛化能力强的训练单隐含层前馈神经网络(Single-hidden Layer Feed-forward Neural-network,SLFN)的算法.但是在应用ELM解决实际问题时,需要先确定合适的SLFN结构.然而,对于给定的问题,确定合适的SLFN结构是非常困难的.针对这一问题,本文提出了一种集成学习方法.用该方法解决问题时,不需要事先确定SLFN的结构.提出的方法包括3步:(1)初始化一个比较大的SLFN;(2)用ELM重复训练若干个Dropout掉若干个隐含层结点的SLFNs;(3)用多数投票法集成训练好的SLFNs,并对测试样例进行分类.在10个数据集上进行了实验,比较了本文提出的方法和传统的极限学习机方法.实验结果表明,本文提出的方法在分类性能上优于传统的极限学习机算法.     

基于I-ELM的飞机复合材料结构损伤识别研究

针对飞机复合材料结构损伤难以有效识别问题,本文提出一种基于增量型极限学习机(Incremental Extreme Learning Machine,I-ELM)的飞机复合材料结构损伤识别新方法。首先对某型机用复合材料层合板进行冲击,而后对其进行疲劳拉伸试验,通过优化布局在复合材料层合板上的光纤光栅传感器募集应变信息,并对其进行预处理。采用互补总体平均经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)方法对募集的应变信息进行自适应分解,得到多个本征模态分量(Intrinsic Mode Function,IMF),计算各阶IMF分量的样本熵,通过核熵成分分析(Kernel Entropy Component Analysis,KECA)方法对样本熵进行特征融合,构建融合特征向量,采用融合特征向量建立基于I-ELM损伤识别模型,通过实验对损伤识别模型的有效性进行了验证,并与所构建的BP的损伤识别模型的识别结果进行了比较。结果表明,该方法能有效对飞机复合材料结构损伤进行识别,具有很好的应用前景。     

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H-ELM的交通事故预测方法研究

面向智能交通管控需求,研究了极限学习机(Extreme Learning Machine,ELM)算法在交通事故预测方面的应用.单隐层ELM主要侧重于有监督模式下的数据分类,面对多源数据融合的交通事故预测,特征的自组织学习和提取就显得尤为重要,因此研究了具有深度特征的H-ELM(Hierarchy ELM)算法.该算法融合了无监督学习模式的特征提取和有监督学习模式的特征分类,既能继承深度网络的自组织学习能力也继承了ELM的快速训练能力.在此基础上构建了单隐层ELM和H-ELM交通事故预测模型并进行了比较研究,结果表明H-ELM在预测准确度方面具有较大的优越性.     

基于截断2-范数损失函数的鲁棒极限学习机

在前馈神经网络学习中,极限学习机(Extreme Learning Machine,ELM)具有高效快速的优势.然而ELM采用的2-范数损失函数在许多实际应用中受异常值影响较大.文章采用截断思想,将2-范数损失函数进一步改进为能够限定最大损失为常数的截断2-范数损失函数,构建了基于截断2-范数损失函数的鲁棒ELM模型,...     

极限学习机的快速留一交叉验证算法

针对回归和分类问题,提出一种极限学习机(Extreme Learning Machine, ELM)的快速留一交叉验证算法,并从理论和数值仿真两方面说明其有效性.结果表明,该算法避免了以训练样本数量N次的ELM模型的显式训练,其计算复杂度与N仅呈线性趋势增长,即O(N).即使在处理大型数据集建模问题时,该算法仍然可以快速地进行ELM模型的选择和评价.通过人工和实际数据集上的仿真实验,验证了该快速留一交叉验证算法的有效性.     

融合BVM与ELM的网络异常检测方法

针对用单一分类器对网络进行异常检测时存在的检测率低、虚警率高等问题,提出了一种新的融合球向量机(BVM,Ball Vector Machine)与极限学习机(ELM,Extreme Learning Machine)的异常检测方法.该方法分别用BVM与ELM对三类网络特征进行学习,通过BP神经网络训练出相应权值来融合标签.实验表明:使用该融合方法进行网络异常检测的性能要优于使用单一的BVM或ELM;相对于融合传统的SVM与BP网络的方法,融合BVM与ELM网络异常检测方法的检测率与虚警率与传统方法相当,但其训练速度快、整体性更优.     

基于多策略改进COA算法优化ELM的IGBT剩余寿命预测

针对绝缘栅双极型晶体管（Insulated Gate Bipolar Transistor,IGBT）剩余使用寿命的准确预测问题,提出了一种基于多策略改进优化的二维卷积优化算法（Convolution Optimization Algorithm on mixed strategies,COAM）的IGBT剩余寿命预测模型。通过改进和优化极限学习机（Extreme Learning Machine,ELM）参数,利用NASA研究中心公开的IGBT老化加速试验数据集,分析并提取了集射极-发射极阻断电压的失效特征参数,以获取阻断电压尖峰信息。针对COA算法在前期容易陷入局部极值和后期寻优精度不高的问题,首先选择通过Fuch映射序列初始化种群增强初始种群的随机性和变异性,然后采用新的综合位置更新方式来扩展算法的局部搜索能力,并引入高斯-柯西变异机制来改进解质量增强机制。最后,将该算法用于ELM参数的优化,以应用于IGBT剩余寿命的准确预测。通过将COAM-ELM与其他3种优化算法优化ELM方法进行对比分析,结果显示COAM-ELM方法在IGBT剩余寿命预测方面具有高精度的特点。本研究提出的方...     

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。     

LHBA优化VMD降噪算法及在管道泄漏信号中的应用

针对变分模态分解(VMD:Variational Mode Decomposition)算法在分解信号时参数选择不准确导致降噪效果不理想的问题,提出一种改进的蜜獾优化算法(LHBA:Levy Honey Badger Algorithm)与VMD结合的降噪算法。首先,利用LHBA算法优选VMD的分解模态数K和惩罚因子α;其次,利用优化后的参数进行VMD信号分解;最后,计算各模态分量与原始信号之间的豪斯多夫距离(HD:Hausdorff Distance),选取有效模态分量进行信号降噪处理。实验结果表明,该算法与HBA(Honey Badger Algorithm)-VMD、 GA(Genetic Algorithm)-VMD和PSO(Particle Swarm Optimization)-VMD相比,其4种评价指标均优于其他对比算法,具有较好的降噪效果,验证了该算法的有效性和先进性。     

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。     

VMD-HD-KT去噪法在管道泄漏信号中的去噪应用

针对变分模态分解(VMD:Variational Mode Decomposition)难以选取预设尺度K和其分解后难以区分有效模态和噪声模态的问题,提出了一种由豪斯多夫距离(HD:Hausdorff Distance)确定K和肯德尔相关系数(KT:Kendall’s Tau)确定有效模态的联合准则方法(VMD-HD-KT),并将其应用于天然气管道泄漏信号去噪。首先,计算K=2～8 h最后一个模态与原始信号的HD,通过评估HD确定K,然后输入K值进行VMD分解,将原始信号分解成K个具有不同特征时间尺度的固有模态函数(IMF:Intrinsic Mode Functions),选取K_KT大于0.1的IMF作为有效模态,最后进行信号重构。实验结果表明,VMD-HD-KT算法可以准确选取K值和有效模态,对仿真信号和管道泄漏信号有较好的去噪效果。     

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.     

基于VMD改进算法的气体管道泄漏检测

为提取气体管道声波信号中的泄漏成分并进行重构,提出一种结合VMD( VMD: Variational Mode Decomposition) 和误差能量算法的特征提取方法。该方法首先利用油气管道泄漏检测系统模拟气体管道的微小泄漏,并采集泄漏声波信号; 然后利用VMD 算法将采集到的泄漏声波信号分解为一系列带宽受限的固有模态;随后,使用误差能量算法选择有效模态; 最后,利用有效模态进行信号重构。通过仿真分析发现,该改进算法可以提取有效模态,利用该方法处理气体管道微小泄漏声波信号,能有效滤除噪声并重构原始信号。     

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。