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。     

红外目标模拟器校准装置构建和校准技术研究

在对传统红外目标模拟器校准装置分析的基础上，结合辐射照度校准理论、方法和误差来源三方面，构建了红外目标模拟器校准装置，开展了辐照度测量系统内部杂散辐射建模仿真和抑制的研究、红外大气传输修正方法的研究和测试结果数据拟合算法的研究，分别提出了基于复合蒙特卡洛法的内部杂散辐射数学模型、基于编码器-解码器结构的卷积神经网络红外辐射大气传输校准算法和基于粒子群优化的极限学习机算法，并在实验室条件下进行了辐照度计量校准实验。分别验证了在追迹光线数相等的情况下复合蒙特卡洛法的精度更高，复合蒙特卡洛法标准偏差为6.1940×10-8，平均误差为0.19293，且仿真结果体现了红外辐射计各部分杂散辐射对探测器入瞳面接收到的杂散辐射造成的影响；基于编码器-解码器结构的卷积神经网络算法能够较好的预测大气透过率和大气程辐射，在三个波段下的平均误差为3.0783%，3.8186%，5.3452%，低于传统方法，降低了大气透过率和大气程辐射的影响；通过与GA-ELM模型、ELM模型进行对，验证了与传统数据拟合方法相比，基于PSO-ELM的方法在1μm~3μm、3μm~5μm、8μm~14μm三个波段下的拟合精度都有所提高，决定系数分别为0.9925、0.9913、0.9814，平均相对误差分别为0.1242%、0.7157%、0.7471%有效提高了红外辐射测量准确度。     

基于改进极限学习机的MBR仿真预测研究

研究MBR膜通量,进行膜污染预测,是当今污水处理研究领域的重要课题之一。为了有效,准确地预测MBR膜通量,提出一种改进的极限学习机(PSO-ELM)预测模型。极限学习机(ELM)能够有效地克服反向传播(BP)算法的缺陷,并能以极快的速度获得很好的泛化性能。由于随机给定输入权值和隐层阈值,ELM通常需要较多隐含层节点才能达到理想精度。利用粒子群算法(PSO)对极限学习机(ELM)的权值和阈值进行优化,建立PSO-ELM预测模型,将提取的主成分作为该模型的输入,膜通量作为模型输出。研究结果表明,该模型对MBR膜通量预测具有较好的泛化能力和更高的预测精度。     

PSO-ELM的浆体管道临界淤积流速预测模型研究

针对浆体管道临界淤积流速预测难度大、精度低等问题,提出了粒子群优化—极限学习机(PSO-ELM)的临界淤积流速预测模型.利用PSO算法对ELM模型参数输入权值和隐元偏置进行优化,应用优化得到的ELM模型对预测集进行预测.通过实验仿真得到预测结果的最大误差为5.73%,预测效果优于常规的ELM模型和反向传播(BP)神经网络模型.     

基于PSO-ELM算法的三维激光点云处理研究

为找出用于三维激光点云数据的处理方法,本文基于无人机装载激光扫描仪技术,以粒子群算法优化极限学习机(ELM)算法(PSO-ELM),得出最新算法处理点云数据,并与ELM模型计算结果对比,结果表明:PSO-ELM模型最优隐含层个数为50,在此情况下模型精度最高;PSO-ELM算法的处理效果明显更好,其生成的DEM和地形数据可清晰反映研究区域实际地形,证明了该算法的科学性。     

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.     

基于AdaBoost-PSO-ELM算法的滑坡位移预测研究

矿山排土场滑坡的过程是一个动态、大延迟、高度非线性的特性问题,影响矿山排土场滑坡的因素众多,各个特性指标间相互影响,关于排土场滑坡预警并没有严格的划分标准。对此,提出一种自适应提升算法(Adaptive Boosting, AdaBoost)、改进的粒子群算法(Particle Swarm Optimization, PSO)和极限学习机(Extreme Learning Ma chine, ELM)相结合的矿山排土场滑坡短期预测方法。该方法首先利用粒子群优化算法得出ELM模型的最佳输入参数,再通过自适应提升算法将得到的多个极限学习机弱预测器组成新的强预测器并进行预测,最后以某矿山排土场采集的数据为算例,结果表明改进的组合方法的预测精度明显优于由粒子群优化算法优化参数的极限学习机模型和单独的极限学习机模型的预测精度,其预测结果接近于真实值,为实现矿山排土场滑坡预警提供了可能。     

基站异常情况下基于改进极限学习机的超宽带室内定位方法

在超宽带(UWB)室内定位系统中,定位基站极易受到干扰,从而影响定位系统的准确性、稳定性和可靠性,干扰较强时,会造成基站数据异常波动,无法完成准确定位。为解决UWB室内定位系统基站异常情况的定位问题,本文提出了一种基于粒子群优化的极限学习机(PSO-ELM)定位模型,实现在定位基站发生异常情况下的高精度定位。该定位模型利用双边测 距(TW-TOF)采集标签和基站的距离,运用极限学习机(ELM)建立室内定位解算模型?引入粒子群算法(PSO)优化极限学习机的隐含层权值和阈值参数,以克服ELM算法存在的缺点。实验结果表明:在基站正常情况下,PSO-ELM定位模型平均定位精度可达0.03m。相比于传统TOA定位算法,精度了提高73%,同时在基站异常情况下,平均定位精度可达0.04m,有效解决了当定位系统基站发生异常情况时无法完成正常定位的问题     

一种基于蚁狮优化的极限学习机

极限学习机(Extreme Learning Machine,ELM)是一种高效率的单隐层前馈神经网络,由于其训练速度快与泛化性能好,在各个领域中都有广泛的应用。但是极限学习机随机生成输入权值与隐含层偏置矩阵,随机性影响训练模型的泛化性能与稳定性,降低模型分类的精度。为了解决这一问题,借鉴蚁狮优化算法中利用蚁狮种群中的多个个体进行并行寻优的能力,改进优化极限学习机的输入权值与隐含层偏置矩阵,得到一个分类精度更高模型。以UCI标准数据库中数据进行分类实验分析验证,实验结果表明,在5类UCI数据集上基于蚁狮优化的极限学习机(ALO-ELM)相比于PSO-ELM和SaDE-ELM具有更高的分类精度。     

基于MWOA-ELM代理模型的有限元模型修正

为得到待修正参数与结构响应之间的关系,提高模型修正效率,将极限学习机(ELM)和鲸鱼优化算法(WOA)引入有限元模型修正(FEMU).通过高斯(Gauss)混沌初始化、非线性调整策略、自适权重系数等改进鲸鱼优化算法,利用其优化极限学习机,建立待修正参数与加速度频响函数之间的非线性映射关系.以试验与优化极限学习机模型输出...     

改进鱼群算法优化的ELM在乳腺肿瘤辅助诊断中的应用研究

针对传统极限学习机的输入权值矩阵和隐含层偏差是随机给定进而可能会导致在乳腺肿瘤的辅助诊断应用研究中存在精度明显不足的情况,提出用改进鱼群算法优化ELM方法。在完成对乳腺肿瘤有效的辅助诊断的过程中,本研究工作充分利用ELM能快速地完成训练过程且具有很好的泛化能力的特点,并结合用改进鱼群算法对ELM的隐含层偏差进行优化,构造出了乳腺肿瘤与从乳腺肿瘤样本数据中提取的10个特征向量之间的非线性映射关系。将本文提出的乳腺肿瘤识别方法的仿真结果与AFSA-ELM方法、ELM方法、LVQ方法、BP方法的仿真结果分别从识别准确率、假阴性率、学习速度三个方面做对比分析,仿真结果表明,本文所提方法对乳腺肿瘤诊断具有较高的分类识别准确率、假阴性率以及较快的学习速率。     

基于改进KH算法优化ELM的目标威胁估计

为了提高目标威胁度估计的精确度,建立了反向学习磷虾群算法（OKH）优化极限学习机的目标威胁估计模型（OKH-ELM）,提出基于此模型的算法。该模型使用反向学习策略优化磷虾群算法,并通过改进后的磷虾群算法优化极限学习机初始输入权重和偏置,使优化后的极限学习机能够对威胁度测试样本集做更好的预测。实验结果显示,OKH算法能够更好地优化极限学习机的权值与阈值,使建立的极限学习机目标威胁估计模型具有更高的预测精度和更强的泛化能力,能够精准、有效地实现目标威胁估计。     

基于极限学习机的无监督领域适应分类器

在构建基于极限学习机的无监督自适应分类器时, 隐含层的参数通常都是随机选取的, 而随机选取的参数不具备领域适应能力. 为了增强跨领域极限学习机的知识迁移能力,提出一种新的基于极限学习机的无监督领域适应分类器学习方法, 该方法主要利用自编码极限学习机对源域和目标域数据进行重构学习, 从而可以获得具有领域不变特性的隐含层参数. 进一步, 结合联合概率分布匹配和流形正则的思想, 对输出层权重进行自适应调整. 所提出算法能对极限学习机的两层参数均赋予领域适应能力,在字符数据集和对象识别数据集上的实验结果表明其具有较高的跨领域分类精度.     

单隐层神经网络输入权值的新算法

针对传统极端学习机输入权值与隐层阈值随机设定的问题,提出了输出值反向分配算法。算法在传统极端学习机的基础上,通过优化方法得到最优输出值分配系数,并利用最小二乘法确定网络输入参数。将该算法应用到常用数据集进行实验,并与其他极端学习机改进算法进行比较,显示该算法有良好的学习以及泛化能力,能够得到简单的网络结构,证明了算法的有效性。     

An integrated PSO for parameter determination and feature selection of ELM and its application in classification of power system disturbances

This paper presents a performance enhancement scheme for the recently developed extreme learning machine (ELM) for classifying power system disturbances using particle swarm optimization (PSO). Learning time is an important factor while designing any computational intelligent algorithms for classifications. ELM is a single hidden layer neural network with good generalization capabilities and extremely fast learning capacity. In ELM, the input weights are chosen randomly and the output weights are calculated analytically. However, ELM may need higher number of hidden neurons due to the random determination of the input weights and hidden biases. One of the advantages of ELM over other methods is that the parameter that the user must properly adjust is the number of hidden nodes only. But the optimal selection of its parameter can improve its performance. In this paper, a hybrid optimization mechanism is proposed which combines the discrete-valued PSO with the continuous-valued PSO to optimize the input feature subset selection and the number of hidden nodes to enhance the performance of ELM. The experimental results showed the proposed algorithm is faster and more accurate in discriminating power system disturbances.     

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。     

Performance enhancement of extreme learning machine for multi-category sparse data classification problems

This paper presents a performance enhancement scheme for the recently developed extreme learning machine (ELM) for multi-category sparse data classification problems. ELM is a single hidden layer neural network with good generalization capabilities and extremely fast learning capacity. In ELM, the input weights are randomly chosen and the output weights are analytically calculated. The generalization performance of the ELM algorithm for sparse data classification problem depends critically on three free parameters. They are, the number of hidden neurons, the input weights and the bias values which need to be optimally chosen. Selection of these parameters for the best performance of ELM involves a complex optimization problem.In this paper, we present a new, real-coded genetic algorithm approach called ‘RCGA-ELM’ to select the optimal number of hidden neurons, input weights and bias values which results in better performance. Two new genetic operators called ‘network based operator’ and ‘weight based operator’ are proposed to find a compact network with higher generalization performance. We also present an alternate and less computationally intensive approach called ‘sparse-ELM’. Sparse-ELM searches for the best parameters of ELM using K-fold validation. A multi-class human cancer classification problem using micro-array gene expression data (which is sparse), is used for evaluating the performance of the two schemes. Results indicate that the proposed RCGA-ELM and sparse-ELM significantly improve ELM performance for sparse multi-category classification problems.     

极限学习机在机场旅客吞吐量预测中的应用

极限学习机(ELM)是一种新型单馈层神经网络算法,在训练过程中只需要设置合适的隐藏层节点个数,随机赋值输入权值和隐藏层偏差,一次完成无需迭代.结合遗传算法在预测模型参数寻优方面的优势,找到极限学习机的最优参数取值,建立成都双流国际机场旅客吞吐量预测模型,通过对比支持向量机、BP神经网络,分析遗传-极限学习机算法在旅客吞吐量预测中的可行性和优势.仿真结果表明遗传-极限学习机算法不仅可行,并且与原始极限学习机算法相比,在预测精度和训练速度上具有比较明显的优势.