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.     

多分辨率小波极限学习机

针对一类具有空间不均匀性的辨识和回归问题,提出了基于小波分析的极限学习机方法.从多分辨率分析的思想出发,构造一簇紧支撑正交小波作为隐层激活函数,并利用改进的误差最小化极限学习机训练输出层权重,避免了新加入高分辨率子网络后的重新训练.同时,由一维多分辨分析的张量积构造了二维多分辨小波极限学习机.进而通过脊波变换将小波学习机扩展到高维空间,对脊波函数的伸缩、方向和位置参数进行优化计算.对具有奇异性的函数仿真结果证明,与标准极限学习机相比,小波极限学习机由于其聚微性能在极短的训练时间内更好地逼近目标.一些实际基准回归问题上的测试验证了脊波极限学习机在其中大部分问题上达到更高的训练和泛化精度.     

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.     

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...     

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.     

基于多目标蜂群算法的数据分类方法

为了保证运算时效的同时,提高复杂数据的分类精度,提出了基于多目标蜂群算法和极限学习机的数据分类算法。该方法以最小的特征个数和最高的分类精度为优化目标,利用改进的多目标蜂群算法对数据的特征个数和分类器参数进行寻优,针对多个有代表性的数据集进行仿真,结果表明所提出方法的有效性。     

基于粒子群优化极限学习机的排水管结构状况评价

基于极限学习机(ELM)和粒子群优化(PSO)算法,建立一个新型排水管道结构性状况评价模型。采用PSO算法优化ELM中的输入权值矩阵和隐含层偏置,改善网络参数随机生成带来的分类精度偏低的问题。以上海市洋山保税港区排水管网为例,对分类器模型进行训练测试,并与ELM分类结果进行对比分析。结果表明,PSO-ELM算法以较少的隐含层神经元节点获得更高的分类精度,参数优化提高了模型拟合能力,对于城市排水管道结构性状况分类、判断具有可行性和有效性。     

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,11.6μg/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2.9μg/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。     

基于极限学习机的谐波电流检测方法

谐波电流检测的实时性和准确度直接影响有源电力滤波器的谐波补偿效果.针对基于传统神经网络谐波检测方法的不足,提出了一种基于极限学习机的谐波电流检测新方法.首先详细给出了极限学习机的训练样本的组成和训练方法,然后构造检测模型实现对谐波电流幅值和相位的检测.仿真结果表明,该谐波电流检测方法的检测精度普遍达到10-6,在有白噪声影响的情况下检测精度达到10-4,与基于传统神经网络的谐波检测方法相比具有更高的检测精度和更强的泛化能力,更加适用于谐波源固定的场合.     

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ELM特征映射的kNN算法

研究了基于ELM特征映射的kNN算法,利用ELM特征映射,将原始数据映射到这种高维特征空间当中,使得数据间变得更加线性可分,即数据结构会变得简单,因此,在利用kNN算法进行分类时,利用ELM特征空间中对应的特征数据代替原始空间中的数据进行分类将会取得更好的分类效果.最后,来自MNIST和UCI中的几个数据集的仿真实验进一步验证了该算法的优良性能.     

一种基于AdaBoost的极限学习机分类方法

极限学习机是一种新型的单隐层前馈神经网络,在训练网络的过程中随机给定输入层权值和隐藏层偏差,所以训练速度非常快,但却导致了输出不稳定.提出了一种基于AdaBoost的极限学习机,把极限学习机作为AdaBoost的基本分类器,通过改变输入数据的权重,使得极限学习机的分类性能得到提升.实验结果表明了该方法与极限学习机和传统的神经网络相比,能够提高极限学习机的学习性能,并且使极限学习机输出更加稳定.     

基于正则极限学习机的烟草病毒病预测

为了对烟草病毒病的病情指数进行建模研究,采用了一种正则极限学习机算法：通过引入惩罚因子来权衡结构风险与经验风险的大小,进一步增强网络的泛化性．针对烟草病毒病的众多影响因素,采用灰色关联度算法选取主要影响因子．使用某地1984—1995年病情资料、相关虫情和气象资料,经过数据挖掘、建模仿真,将正则极限学习机应用于烟草病毒病预测中,效果较好,对烟草病毒病的防治具有指导意义．     

基于流形正则化的在线半监督极限学习机

在基于流形正则化的半监督极限学习机(SS-ELM)的基础上,利用分块矩阵的运算法则,提出了在线半监督极限学习机(OSS-ELM)方法.为避免在实时学习的过程中由于数据累积引起的内存不足,通过对SS-ELM的目标函数的流形正则项的近似,给出了OSS-ELM的近似算法OSSELM(buffer).在Abalone数据集上的实验显示,OSS-ELM(buffer)在线学习的累计时间与所处理的样本个数呈线性关系,同时,9个公共数据集上的实验表明,OSS-ELM(buffer)的泛化能力与SS-ELM的泛化能力的相对偏差在1%以下.这些实验结果说明,OSS-ELM(buffer)不仅解决了内存问题,还在基本保持SS-ELM泛化能力的基础上大幅度提高了在线学习速度,可以有效应用于在线半监督学习当中.     

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.