基于模拟退火算法的改进极限学习机

传统的极限学习机作为一种有监督的学习模型,任意对隐藏层神经元的输入权值和偏置进行赋值,通过计算隐藏层神经元的输出权值完成学习过程.针对传统的极限学习机在数据分析预测研究中存在预测精度不足的问题,提出一种基于模拟退火算法改进的极限学习机.首先,利用传统的极限学习机对训练集进行学习,得到隐藏层神经元的输出权值,选取预测结果评价标准.然后利用模拟退火算法,将传统的极限学习机隐藏层输入权值和偏置视为初始解,预测结果评价标准视为目标函数,通过模拟退火的降温过程,找到最优解即学习过程中预测误差最小的极限学习机的隐藏层神经元输入权值和偏置,最后通过传统的极限学习机计算得到隐藏层输出权值.实验选取鸢尾花分类数据和波士顿房价预测数据进行分析.实验发现与传统的极限学习机相比,基于模拟退火改进的极限学习机在分类和回归性能上都更优.     

回归核极限学习机的多标记学习算法

基于极限学习机(ELM)的多标记学习算法多使用ELM分类模式,忽略标记之间存在的相关性.为此,文中提出结合关联规则与回归核极限学习机的多标记学习算法(ML-ASRKELM).首先通过关联规则分析标记空间,提取标记之间的规则向量.然后通过提出的多标记回归核极限学习机(ML-RKELM)得出预测结果.若规则向量不为空,将规则向量与预测结果运算得出最终预测结果,否则最终结果即为ML-RKELM的预测结果.对比实验表明ML-ASRKELM与ML-RKELM性能较优,统计假设检验进一步说明文中算法的有效性.     

基于ELM-LSSVM的网络流量预测

为了对网络流量进行准确预测,针对传统极限学习机的“过拟合”不足,提出一种极限学习机和最小二乘支持向量机相融合的网络流量预测模型（ELM-LSSVM）。该模型通过相空间重构获得网络流量的学习样本,引入最小二乘支持向量机对极限学习进行改进,并对网络流量训练集进行学习,采用仿真实验对模型性能进行测试。结果表明,ELM-LSSVM提高了网络流量的预测精度,实现了网络流量准确预测,并具有较强的实际应用价值。     

The Multi-agent Learning Model Based on Dynamic Fuzzy Logic

Machine Learning is one of the key problems of Artificial Intelligence, and the agent learning has become an important branch of machine learning. One of the main characters of intelligent agent is that it can adapt to the unknown environment. The ability to learn is the key property of agent. Because the learning act of agent is dynamic and fuzzy, this paper uses the conception of Dynamic Fuzzy Logic （DFL）tl]. Based on DFL, this paper first presents two single-agent learning algorithms, namely, single-agent leaning algorithm based on DFL with immediate reward and single-agent learning algorithm based on DFL with mediate reward. Then the paper gives a multi-agent learning model based on DFL, namely a multi-agent learning model planned on a whole. Furthermore, this paper validates that the model is useful by an example.     

基于极限学习机的XML文档分类

研究基于极限学习机(ELM)的XML文档分类方法。为优化文档的相似性计算,在结构链接向量模型的基础上,提出一种改进的特征向量模型RS-VSM,将有效的结构化信息合并到向量模型中。应用ELM对XML文档进行分类,为提高ELM分类的准确率,提出一种基于投票机制的Voting-ELM算法。实验结果证明,该算法的分类效果较优。     

基于多模态的在线序列极限学习机研究

单一模态包含的物体信息有限,导致在物体材质识别分类中表现不佳,而传统多模态融合方法在样本训练过程中需要输入所有数据.提出一种多模态的多尺度局部感受野在线序列极限学习机方法.对物体不同模态样本运用改进的特征提取框架,利用多尺度局部感受野感知样本信息提取特征,并将不同模态特征融合后通过在线序列极限学习机进行训练学习.在线序...     

正则化超限学习机的多分块松弛交替方向乘子法

针对超限学习机在大数据环境下计算负担过重的问题,文中提出正则化超限学习机的多分块松弛交替方向乘子法及N-等分和N/2-等分情形的标量化实现.模型分块使算法具有高度的并行结构,与松弛技术结合提高算法的收敛速度.通过分析,建立算法收敛的充要条件,给出最优收敛率及最优参数.在基准数据集上仿真计算收敛率随分块数的变化关系,对比不同算法的收敛速率和GPU加速比.实验表明,文中算法具有较低的计算复杂度和较高的并行性.     

面向不平衡数据流的自适应加权在线超限学习机算法

一般的在线学习算法对不平衡数据流的分类识别会遇到较大困难,特别是当数据流发生概念漂移时,对其进行分类会变得更困难.文中提出面向不平衡数据流的自适应加权在线超限学习机算法,自动调整实时到达的训练样本的惩罚参数,达到在线学习不平衡数据流的目的.文中算法可以适用于不同偏斜程度的静态数据流的在线学习和发生概念漂移时数据流的在线学习.理论分析和在多个真实数据流上的实验表明文中算法的正确性和有效性.     

基于Kmean和ELM的乳腺肿块检测方法

肿块是乳腺癌在X线图像上的一个主要表现。提出了一种肿块自动检测算法。该方法包括四个步骤：在图像预处理阶段,去除背景、标记、胸肌和噪声,图像分割和图像增强;利用Kmean方法找到感兴趣区域（ROI）;提取能够表征肿块的特征;利用极限学习机（Extreme Learning Machine,ELM）分类器去除假阳性,将图像中的肿块和非肿块分离开来。通过对MIAS数据库中乳腺X线图像的测试实验,得到的检测肿块的准确率为93.5%。     

基于邻域粗糙集与支持向量极端学习机的瓦斯传感器故障诊断

针对于瓦斯传感器故障诊断速度慢、诊断精度不高的问题,以常见的冲击型、漂移型、偏置型和周期型传感器输出故障作为研究对象,提出一种基于邻域粗糙集（NRS）和支持向量极端学习机（SVM-ELM）的故障诊断方法。首先对瓦斯传感器的特征属性值进行归一化处理,然后利用NRS信息约简理论降低属性维度,提取出影响瓦斯传感器的关键属性构成约简集。将约简集作为SVM-ELM的输入进行训练,利用训练好的SVM-ELM对测试样本进行模式识别。最后通过实验对比验证该方法具有训练速度快、分类精度高的特点,辨识正确率在95%以上,能够显著提高故障诊断的速度和准确性。     

Automatic recognition of epileptic EEG patterns via Extreme Learning Machine and multiresolution feature extraction

Epilepsy is one of the most common neurological disorders- approximately one in every 100 people worldwide are suffering from it. In this paper, a novel pattern recognition model is presented for automatic epilepsy diagnosis. Wavelet transform is investigated to decompose EEG into five EEG frequency bands which approximate to delta (δ), theta (θ), alpha (α), beta (β), and gamma (γ) bands. Complexity based features such as permutation entropy (PE), sample entropy (SampEn), and the Hurst exponent (HE) are extracted from both the original EEG signals and each of the frequency bands. The wavelet-based methodology separates the alterations in PE, SampEn, and HE in specific frequency bands of the EEG. The effectiveness of these complexity based measures in discriminating between normal brain state and brain state during the absence of seizures is evaluated using the Extreme Learning Machine (ELM). It is discovered that although there exists no significant differences in the feature values extracted from the original EEG signals, differences can be recognized when the features are examined within specific EEG frequency bands. A genetic algorithm (GA) is developed to choose feature subsets that are effective for enhancing the recognition performance. The GA is also examined for weight alteration for both sensitivity and specificity. The results show that the abnormal EEG diagnosis rate of the model without the involvement of the genetic algorithm is 85.9%. However, the diagnosis rate of the model increases to 94.2% when the genetic algorithm is integrated as a feature selector.     

基于径向基神经网络和正则化极限学习机的多标签学习模型*

相比径向基(RBF)神经网络,极限学习机(ELM)训练速度更快,泛化能力更强.同时,近邻传播聚类算法(AP)可以自动确定聚类个数.因此,文中提出融合AP聚类、多标签RBF(ML-RBF)和正则化ELM(RELM)的多标签学习模型(ML-AP-RBF-RELM).首先,在该模型中输入层使用ML-RBF进行映射,且通过AP聚类算法自动确定每一类标签的聚类个数,计算隐层节点个数.然后,利用每类标签的聚类个数通过K均值聚类确定隐层节点RBF函数的中心.最后,通过RELM快速求解隐层到输出层的连接权值.实验表明,ML-AP-RBF-RELM效果较好.     

改进在线贯序极限学习机在模式识别中的应用

针对传统在线贯序极限学习机存在的过学习和分类器输出不稳定等问题,将结构风险最小化理论引入到极限学习机中,用小波函数替代原有的隐层激励函数构建正则小波极限学习机,并与在线学习方法结合,提出在线正则小波极限学习机。仿真实验结果表明,在线正则小波极限学习机克服过学习和局部最优等问题,能够实现快速在线学习,具有良好的泛化性和鲁棒性。     

基于极限学习机的结构健康监测数据恢复

为解决桥梁结构健康监测系统中数据丢失问题,引入格兰杰因果关系分析各传感器变量数据间的关系,选择与传感器丢失数据格兰杰因果关系大的变量作为极限学习机的输入向量,实现丢失数据的恢复。通过实际桥梁监测丢失数据的仿真实验,以均方根误差和最大误差绝对值作为评估指标,并与反向传播网络和最小二乘支持向量机算法对比,结果表明该方法在理论和实践上是正确和可行的。     

基于改进粒子群优化的并行极限学习机*

为了提高极限学习机(ELM)网络的稳定性,提出基于改进粒子群优化的极限学习机(IPSO-ELM)。结合改进的粒子群优化算法寻找ELM网络中最优的输入权值、隐层偏置及隐层节点数。通过引入变异算子,增强种群的多样性,并提高收敛速度。为了处理大规模电力负荷数据,提出基于Spark并行计算框架的并行化算法(PIPSO-ELM)。基于真实电力负荷数据的实验表明,PIPSO-ELM具有更高的稳定性及可扩展性,适合处理大规模的电力负荷数据。     

基于分层极限学习机和局部稀疏模型的视觉跟踪算法*

目标跟踪过程中常遇到形变和部分遮挡问题.为了解决该问题,文中提出结合分层极限学习机和自适应结构化局部稀疏外貌模型的视觉跟踪算法.分层极限学习机具有提取鲁棒特征并快速分类的能力.自适应结构化局部稀疏外貌模型可以使跟踪结果更准确,也可以解决部分遮挡问题.在不同视频序列上的性能测试表明文中算法在保持较高跟踪精度的同时,跟踪过程也较稳定.     

基于卷积递归神经网络和核超限学习机的3D目标识别*

针对大规模RGB-D数据集中存在的深度线索质量和非线性模型分类问题,提出基于卷积递归神经网络和核超限学习机的3D目标识别方法.该方法引入深度图编码算法,修正原始深度图中存在的数值丢失和噪声问题,将点云图统一到标准角度,形成深度编码图,并结合原始深度图作为新的深度线索.利用卷积递归神经网络学习不同视觉线索的层次特征,融入双路空间金字塔池化方法,分别处理多线索特征.最后,构建基于核方法的超限学习机作为分类器,实现3D目标识别.实验表明,文中方法有效提高3D目标识别率和分类效率.     

大数据分割式极限学习机算法

在海量数据输入背景下，为提升极限学习机算法的学习速度，降低计算机内存消耗，提出一种分割式极限学习机算法。将海量数据分割成[K]等份，分别训练极限学习机并获得单一外权，基于算术平均算子得到分割式极限学习机的综合外权；为避免异常数据对极限学习机输出结果的影响，采用有序加权平均算子融合单一极限学习机的输出信息，使分割式极限学习机的输出结果更为稳定。数值对比仿真显示：分割式极限学习机比传统极限学习机的学习速度、拟合精度和内存消耗都高，验证了该方法的有效性和可行性。     

利用多源信息和极限学习机的人体运动意图识别

快速准确的步态识别是实现智能假肢灵活控制的基础与前提,步态(平地行走、上下楼梯和上下坡)的有效识别是关键.为了克服由单一信息源无法辨识复杂多步态的难题,搭建人体步态多源运动信息系统获取髋关节角度信号、加速度信号和足底压力信号,利用足底压力信号将人体步态划分为4个片段,并根据人体步态的特点确定了4个片段下髋关节角度、髋关节加速度信号的特征值,采用核主成分分析(KPCA)对原始特征的组合进行融合,得到信息互补的特征值,最后利用极限学习机(ELM)进行识别,实验结果表明该方法对平地行走、上楼、下楼、上坡、下坡5种步态的平均识别率达到96.78％,平均识别时间0.52 s,明显高于BP、支持向量机(SVM)等方法.     

基于低秩约束的极限学习机高效人脸识别算法

复杂应用场景中,光照变化、遮挡和噪声等干扰使得将像素特征作为相似性度量的识别算法的图像类内差大于类间差,降低了人脸识别性能。针对这一问题,提出了一种低秩约束的极限学习机鲁棒性人脸识别算法,提升了复杂场景下的识别性能。首先,利用人脸图像分布的子空间线性假设,将待识别图像聚类到相对应的样本子空间;其次,将像素域分解为低秩特征子空间和稀疏误差子空间,依据图像子空间的低秩性对噪声鲁棒的原理,提取人脸图像的低秩结构特征训练极限学习机的前向网络;最后,实现对噪声干扰鲁棒的极限学习机人脸识别算法。实验结果表明,相比前沿的人脸识别算法,所提方法不仅识别精度高、算法时间复杂度低,且具有较好的实用性。