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KPCA和ELM的新型民机舵机系统故障诊断

针对传统极限学习机模型难以学习高维数据、输入权值矩阵和隐含层偏置随机给定的问题,利用核主成分分析法来降低民机故障数据维数,通过改进的极限学习机来建立新型民机升降舵故障诊断模型.模型利用差分进化算法改进了极限学习机输入权值矩阵、隐含层偏置随机生成的缺点,应用到新型民机升降舵系统的故障诊断中.测试结果表明,KPCA-ELM...     

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.     

集成重复训练极限学习机的数据分类

极限学习机是一种随机化算法,它随机生成单隐含层神经网络输入层连接权和隐含层偏置,用分析的方法确定输出层连接权。给定网络结构,用极限学习机重复训练网络,会得到不同的学习模型。本文提出了一种集成模型对数据进行分类的方法。首先用极限学习机算法重复训练若干个单隐含层前馈神经网络,然后用多数投票法集成训练好的神经网络,最后用集成模型对数据进行分类,并在10个数据集上和极限学习机及集成极限学习机进行了实验比较。实验结果表明,本文提出的方法优于极限学习机和集成极限学习机。     

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。     

随机权分布对极限学习机性能影响的实验研究

极限学习机是一种训练单隐含层前馈神经网络的算法,它随机初始化输入层的权值和隐含层结点的偏置,用分析的方法确定输出层的权值。极限学习机具有学习速度快、泛化能力强的特点。很多研究都用服从[－1,1]区间均匀分布的随机数初始化输入层权值和隐含层结点的偏置,但没有对这种随机初始化合理性的研究。用实验的方法对这一问题进行了研究,分别研究了随机权服从均匀分布、高斯分布和指数分布对极限学习机性能的影响。研究发现随机权的分布对极限学习机的性能的确有影响,对于不同的问题或不同的数据集,服从[－1,1]区间均匀分布的随机权不一定是最优的选择。研究结论对从事极限学习机研究的人员具有一定的借鉴作用。     

磷酸铁锂电池的SOC预测

电池荷电状态(SOC)准确预测是电池管理系统的关键任务.针对过去电池SOC预测精度低等问题,提出了一种采用极限学习机神经网络(ELM)的预测模型,以电池电压和电流作为模型的输入量,SOC作为输出量.在建模过程中,采用粒子群优化算法(PSO)对ELM随机给定的输入权值矩阵和隐层阈值进行寻优,降低了随机性给模型造成的影响,提高了模型预测精度.利用实验采集的数据进行模型训练和预测,结果表明,用粒子群算法优化后的极限学习机模型(PSOELM)与单纯的ELM以及传统的BP和SVM相比,具有更高的预测精度和泛化性能.为磷酸铁锂电池的SOC预测提供了一种新的方法.     

基于蚁群优化的极限学习机选择性集成学习算法

针对现有极限学习机集成学习算法分类精度低、泛化能力差等缺点,提出了一种基于蚁群优化思想的极限学习机选择性集成学习算法。该算法首先通过随机分配隐层输入权重和偏置的方法生成大量差异的极限学习机分类器,然后利用一个二叉蚁群优化搜索算法迭代地搜寻最优分类器组合,最终使用该组合分类测试样本。通过12个标准数据集对该算法进行了测试,该算法在9个数据集上获得了最优结果,在另3个数据集上获得了次优结果。采用该算法可显著提高分类精度与泛化性能。     

基于GA优化ELM的船舶交通流预测模型

为了提高船舶交通流预测的效率和准确率,分析了船舶流量预测中的影响因素多、非线性、随机性等问题,建立了ELM(极限学习机)预测模型。同时为了避免极限学习机算法受输入权值矩阵和隐含层偏差随机性的影响,算法又采用GA(遗传算法)对极限学习机的输入权值矩阵和隐含层偏差进行优化,建立GA-ELM船舶交通流预测模型。利用上海洋山港船舶流量对该模型进行了实例分析,通过MATLAB仿真进行预测,将GA-ELM模型与单纯的BP模型、ELM模型进行对比和分析,结果表明:GA-ELM模型具有更高的预测精度和效率,从而能够相对准确、高效地对船舶交通流量进行预测。     

基于收缩极限学习机的故障诊断鲁棒方法

为降低特征噪声对分类性能的影响,提出一种基于极限学习机(extreme learning machine,ELM)的收缩极限学习机鲁棒算法模型(CELM)。采用自编码器对输入数据进行重构,将隐层输出值关于输入的雅克比矩阵的F范数引入到目标函数中,提取出更具鲁棒性的抽象特征表示,利用提取到的新特征对常规的ELM层进行训练,提高方法的鲁棒性。对Mnist、UCI数据集、TE过程数据集以及添加不同强度的混合高斯噪声之后的Mnist数据集进行仿真,实验结果表明,提出的方法较ELM、HELM具有更高的分类精度和更好的鲁棒性。