基于IFWA-ELM的六维力传感器解耦算法

针对六维力传感器的维间耦合严重影响测量精度的问题,本文提出了一种基于改进烟花算法优化极限学习机（IFWA-ELM）的解耦算法。首先,对烟花算法的爆炸半径、变异算子和选择策略进行改进,形成改进烟花算法（IFWA）。其次,采用改进烟花算法寻找极限学习机的最佳网络参数,解决极限学习机随机生成初始权值和阈值导致网络不稳定、隐含层神经元数量对网络性能影响较大的问题。为了验证算法的解耦性能,本文以应用于4500m深海机械臂的六维力传感器作为研究对象,采用最小二乘法（LS）、BP神经网络（BPNN）、极限学习机（ELM）和IFWA-ELM算法进行解耦实验。实验结果表明：IFWA-ELM算法具有较好的非线性解耦能力,解耦后Ⅰ类误差控制在0.27%以内,Ⅱ类误差控制在0.13%以内,有效提高了六维力传感器的测量精度。     

Stewart六维力传感器解耦算法优化

为满足六维力传感器的高刚度要求,使用固支约束代替铰约束。通过对传感器样机单维加载获得的标定数据进行处理,发现在使用求解标定矩阵或BP神经网络训练的方法时,分别存在维间耦合较大和多维加载误差极大的问题。对此提出一种新的思路,即在标定时同时进行单维加载和多维加载。之后使用上述两种方法进行解耦,对比发现,对新的方法,在使用BP神经网络的方法解耦时,将最大误差降低到了2.27%,证明该方法能够同时解决六维力传感器的维间耦合问题和多维加载问题。     

基于RF-GA的六维力传感器解耦方法

多维力传感器的维间耦合问题严重影响了检测精度的提高。通过设计新型RF-GA（基于遗传算法的改进随机森林算法）解耦方法解决多维力信息的解耦问题，实现提高力传感器检测精度的目标。针对随机森林算法中含有大量子树，但每个子树的预测准度无法保证的问题，利用遗传算法对随机森林的子树进行筛选，保留优质子树，从而提高预测精度。以基于应变检测的六维力传感器为实验对象，将RF-GA算法运用到实际力信息解耦中，并通过解耦实验对RF-GA算法进行验证。与现有解耦算法相比，RF-GA解耦方法具有精度高、解耦时间短的优点，实验结果表明该算法能有效提高多维力传感器的解耦精度。     

最优极限学习机入侵检测算法

针对网络入侵系统将面临检测精准度低、错报率高等问题限制,本文提出一种粒子群(PSO)优化的极限学习机(ELM)入侵检测算法(PSO-ELM),以提升入侵检测平台的有效性和安全性.ELM的内部功率参数(权重和基础)无序生成,是算法不稳定的诱因,利用PSO优化ELM的模型参数选择可以改善算法性能.最后在NSL_KDD数据集...     

优化极限学习机的煤与瓦斯突出预测方法

为提高煤与瓦斯突出的预测精度、实现快速预测,提出了一种基于自适应天牛须搜索算法(ABAS)和极限学习机(ELM)的瓦斯突出预测模型ABAS-ELM。采用核主成分分析法(KPCA)对煤与瓦斯突出的高维、非线性特征进行提取,将提取后的主特征作为预测模型的输入,使用ABAS对ELM的输入权重和隐层偏差进行寻优,建立ABAS-ELM瓦斯突出预测模型,实现对瓦斯突出风险的预测。实验结果表明,与ELM、粒子群优化的极限学习机(PSO-ELM)和遗传算法优化的极限学习机(GA-ELM)预测模型相比,该方法在提高模型泛化能力和预测精度方面效果显著。     

狮群优化核极限学习机的分类算法

在核极限学习机(Kernel Based Extreme Learning Machine,KELM)分类应用的基础上,结合狮群算法(Loin Swarm Optimization,LSO)强全局寻优能力与收敛快的特性,提出一种LSO优化KELM算法.将测试准确率作为LSO优化KELM的适应度函数,根据移动位置获取最优...     

基于粒子群算法优化极限学习机的无源目标定位算法

为了提高目标定位精度,提出一种基于粒子群算法优化极限学习机的无源目标定位算法。首先通过位置信息场采集目标的相关信息,然后利用极限学习机对位置信息场与目标位置之间的非映射关系进行拟合,同时采用粒子群算法对极限学习机参数进行优化,最后在Matlab 2009平台进行仿真对比实验。结果表明,相对于其他目标定位算法,该算法提高了目标定位的精度,更加适合于复杂环境下的目标定位。     

基于探测粒子群的小波核极限学习机算法

在分析核极限学习机原理的基础上,将小波函数作为核函数运用于极限学习机中,形成小波核极限学习机(WKELM)。实验表明,该算法提高了分类性能,增加了鲁棒性。在此基础上利用探测粒子群(Detecting Particle Swarm Optimization,DPSO)对WKELM参数优化,最终得到分类效果较优的DPSO-WKELM分类器。通过采用UCI基因数据进行仿真,将该分类结果与径向基核极限学习机(KELM)、WKELM等算法结果进行比较,得出所提算法具有较高的分类精度。     

自适应混沌粒子群算法对极限学习机参数的优化

针对极限学习机（ELM）在处理非线性数据时效果不理想,并且ELM的参数随机化不利于模型泛化的特点,提出了一种改进的极限学习机算法。结合自适应混沌粒子群（ACPSO）算法对ELM的参数进行优化,以增强算法的稳定性,提高ELM对基因表达数据分类的精度。在UCI基因数据集上进行仿真实验,实验结果表明,与探测粒子群-极限学习机（DPSO-ELM）、粒子群-极限学习机（PSO-ELM）等算法相比,自适应混沌粒子群-极限学习机（ACPSO-ELM）算法具有较好的稳定性、可靠性,且能有效提高基因分类精度。     

一种新的混合智能极限学习机

提出一种基于差分进化(DE)和粒子群优化(PSO)的混合智能方法—–DEPSO算法,并通过对10个典型函数进行测试,表明DEPSO算法具有良好的寻优性能。针对单隐层前向神经网络(SLFNs)提出一种改进的学习算法—–DEPSO-ELM算法,即应用DEPSO算法优化SLFNs的隐层节点参数,采用极限学习算法(ELM)求取SLFNs的输出权值。将DEPSO-ELM算法应用于6个典型真实数据集的回归计算,并与DE-ELM、SaE-ELM算法相比,获得了更精确的计算结果。最后,将DEPSO-ELM算法应用于数控机床热误差的建模预测,获得了良好的预测效果。     

六维力/力矩传感器静态解耦算法的研究与应用

维间耦合是影响多维力/力矩传感器测量精度的一个主要因素。介绍了六维力/力矩传感器维间耦合的基本原理,在研究基于求解矩阵广义逆的静态解耦算法的基础上,提出了基于耦合误差建模的静态解耦算法。以实验室研制的六维力/力矩传感器为例进行标定实验,用两种解耦算法对其进行解耦计算。实验结果证明基于耦合误差建模的静态解耦算法的有效性。     

改进的元启发式优化算法及其在图像分割中的应用

元启发式算法自20世纪60年代提出以后,由于其具有可以有效地减少计算量、提高优化效率等优点而得到了广泛应用.该类算法以模仿自然界中各类运行机制为特点,具有自我调节的特征,解决了诸如梯度法、牛顿法和共轭下降法等这些传统优化算法计算效率低、收敛性差等缺点,在组合优化、生产调度、图像处理等方面均有很好的效果.提出了一种改进的元启发式优化算法——NBAS算法.该算法通过将传统天牛须算法（BAS）离散化得到二进制离散天牛须算法（BBAS）,并与原始天牛须算法进行混合得出.算法平衡了局部与全局搜索,有效地弥补了算法容易陷入局部最优的不足.为了验证NBAS算法的有效性,将NBAS算法与二维K熵算法结合,提出了一种快速、准确的NBAS-K熵图像分割算法.该方法解决了优化图像阈值分割函数的优化算法易陷入局部最优、算法寻优个体数多、设计复杂度高所导致的计算量大、耗时长等问题.NBAS-K熵算法与BAS-K熵算法、BBAS-K熵算法、遗传K熵算法（GA-K熵）、粒子群K熵算法（PSO-K熵）和蚱蜢K熵算法（GOA-K熵）在Berkeley数据集、人工加噪图像以及遥感图像上的实验结果表明,该分割方法不仅具有较好的抗噪性能,而且具有较高的精度和鲁棒性,能够较为有效地实现复杂图像分割.     

基于结合混沌纵横交叉的粒子群算法优化极限学习机的短期负荷预测

为了解决传统的单一负荷预测模型精度低以及常规智能算法在解决高维、多模复杂问题时容易陷入局部最优的问题,提出了一种结合混沌纵横交叉的粒子群算法（CC-PSO）优化极限学习机(ELM)的短期负荷预测模型。ELM的泛化能力与其输入权值和隐含层偏置密切相关,采用结合混沌纵横交叉的粒子群算法优化ELM的输入权值与隐含层偏置,提高了ELM的泛化能力和预测精度。选择广东某地区实际电网负荷数据进行分析,研究结果表明,相对于BP神经网络和支持向量机,ELM具有更高的泛化能力和预测精度;CC-PSO相对于粒子群和遗传算法具有更高的全局搜索能力,CC-PSO-ELM模型具有较高的负荷预测精度。     

优化极限学习机及其在脑卒中TCD数据分类应用

为提高脑卒中经颅多普勒（Transcranial Doppler,TCD）数据分类的效率和准确率,应用蝙蝠算法（Bat Algorithm,BA）优化极限学习机（Extreme Learning Machine,ELM）模型进行脑卒中分类预测。在训练ELM模型时,隐含层输入权值矩阵和隐含层阈值矩阵元素产生的随机性影响了模型性能。为此,利用BA对ELM参数中的输入权值矩阵和隐含层阈值矩阵进行了优化,并用BA-ELM模型对实验所用的TCD数据集进行分类。实验结果表明,BA-ELM模型的分类准确率比ELM提高了22.77%,能有效进行脑卒中预测。     

基于优化核极限学习机的工控入侵检测方法

针对现有的工业控制系统入侵检测算法检测时间长,无法满足系统实时性的问题,文章提出一种基于优化核极限学习机(KELM)的工控入侵检测模型,通过改进麻雀搜索算法对KELM的正则化系数C和核参数g进行联合优化.在种群初始化阶段引进佳点集理论增加初始种群的多样性以增强全局搜索能力,提出非线性递减安全值策略并在算法迭代过程引入混...     

多维力传感器耦合分析及解耦方法的研究

耦合现象普遍存在于多维力传感器中,多维力传感器输出如不经过解耦,数据直接应用到机器人操作中,会导致机器人的误操作.针对存在的耦合现象,本文首先分析了多维力存在的耦合原因,根据产生原因将耦合分为两种形式:结构耦合和误差耦合,然后提出了一种新的解耦方法-基于线性神经网络解耦方法,与传统解耦方法相比,该方法大大提高了解耦合精...     

选择性集成核极限学习机建模及其应用研究

针对选择性集成逆向传播神经网络(GASEN-BPNN)模型训练学习速度慢,选择性集成极限学习机(GASEN-ELM)模型建模精度稳定性差等问题,提出一种基于遗传算法的选择性集成核极限学习机(GASEN-KELM)建模方法。该方法首先通过对训练样本进行随机采样获取子模型训练样本;然后采用泛化性、稳定性较佳的核极限学习机(KELM)算法建立候选子模型,通过标准遗传算法工具箱,依据设定阈值按进化策略优化选择最佳子模型;最后通过简单平均加权集成的方式获得最终GASEN-KELM模型。采用标准混凝土抗压强度数据验证了所提出方法的有效性,并与GASEN-BPNN和GASEN-ELM选择性集成算法进行比较,表明所提出方法可以在模型学习速度和建模预测稳定性方面获得较好的均衡。     

天牛须遗传杂交算法的研究与应用

为加强自适应遗传算法在高压选择下的全局搜索能力,提出了一种结合天牛须搜索的杂交算法。利用天牛须搜索算子对遗传算法产生的新个体进行局部改良,以增强导向作用和局部搜索能力。采用数据驱动策略改善算法杂交引起的复杂度问题,对不同维度变量进行基于目标函数的灵敏度分析,优化其进化路径从而达到提高算法运行效率的目的。通过定量实验研究算法在桁架尺寸优化问题上的应用效果,并定性分析数据背后的原因展示算法的优点和特点。研究结果表明：在桁架结构尺寸优化研究中,用钢量最低的经济效益方案为2 490.56?kg,与现有元启发式算法研究结果吻合,证实了算法的准确性及有效性;40 000个经济效益方案用钢量平均值为2 491.43 kg,标准差为8.05,收敛率达到98%,与其他元启发式算法相比证实了该算法较高的稳定性。     

基于遗传算法与粒子群算法的支持向量机参数选择

支持向量机(SVM)参数的选择是评价SVM性能的一个很重要的因素。SVM在解决小样本、非线性等问题中起到的效果是很好的。但是,该方法的缺点是在解决大样本数据集时消耗时间长,且易陷入局部最优解。为了降低SVM在这方面的不足,本文提出了遗传算法和粒子群算法相结合(PSOGA)对参数进行优化求解,并将该算法建立的模型应用到实验中。仿真结果说明该方法避免了陷入局部解,提高了收敛速度并缩短了优化时间,是一个很有效的方法。