不完备数据的反馈式极限学习机填充算法

随着互联网、大数据等信息技术的发展,数据收集中部分属性缺失的问题受到了广大学者的关注。针对传统极限学习机无法根据输出值对网络结构优化的问题,本文提出基于极限学习机预测缺失属性的反馈式极限学习机(FELM)算法,将卡尔曼滤波思想改进极限学习机并用互信息策略作为属性间的衡量标准,网络模型的训练样本集为完整数据。     

基于极限学习机的电力短期负荷预测

本文首先对人工神经网络中的单隐含前馈神经网络和极限学习机(ELM)的基本原理和理论进行了概述,然后将极限学习机算法与粒子群算法结合,利用粒子群优化算法(PSO)对极限学习机的参数进行优化,将PSO和ELM的优点结合在一起,使其具备参数调整简单、可以在全局范围寻优、泛化能力强等特点,最后使用基于粒子群算法优化极限学习机的预测模型,在具体数据中进行算例分析,确定预测模型的可行性。     

基于加权极限学习机的SAR目标识别

提出了一种基础加权极限学习机的SAR目标识别算法。首先采用Gabor滤波器对图像进行特征放大处理,然后把处理后的特征采用主成分分析算法进行压缩,最后采用极限学习机算法进行分类识别,同时针对样本的噪声和离群点问题,提出了加权极限学习机的算法,实验结果表明本文的算法识别精度高,计算速度快,优势明显。     

差分进化极限学习机城市燃气负荷预测

介绍极限学习机(ELM)的原理,将差分进化算法(DE)引入极限学习机,通过Matlab建立基于差分进化极限学习机预测模型。实例证明DE-ELM算法能实现快速确定最优的输入层到隐含层的连接权值和阈值,提高神经网络的整体稳定性和预测精度。     

基于在线序列极限学习机的路段行程时间预测算法

本文针对路段行程时间具有非线性、实时性等特点,研究人员已经提出了动态神经网络、卡尔曼滤波等在线预测算法。而现有大多数实时预测算法并不是真正意义上的实时预测且存在复杂度较高、实时性差等问题。本文在极限学习机的基础上,提出了基于在线序列极限学习机的路段行程时间预测算法,算法能保证预测的实时性。     

基于极限学习机的燃气日负荷预测

介绍极限学习机(ELM)的原理,提出极限学习机模型的城市燃气短期负荷预测方法。以重庆市某区域燃气日负荷、气温、日期类型及天气状况等数据为训练样本,采用归一化等预处理方法处理输入数据,通过确定最优隐含层节点数等建立最优极限学习机模型。将实际值和通过采用极限学习机与支持向量机(SVM)方法得到的燃气日负荷预测值进行对比,将采用极限学习机与支持向量机方法的训练时间和预测时间进行对比,极限学习机预测方法具有较好的预测精度,且训练时间短。     

基于PSO-ELM组合算法的热力站负荷预测研究

提出了一种粒子群优化极限学习机(PSO-ELM)算法用于热力站负荷预测,应用粒子群(PSO)算法优化极限学习机(ELM)的输入权值和隐含层阈值。将提出的组合算法应用于天津市某小区热力站的负荷预测中,并与ELM、支持向量回归(SVR)和粒子群优化支持向量回归(PSO-SVR)算法在同等条件下进行比较。结果表明,PSO-ELM在预测精度上优于其他算法;在热负荷波动较大时,表现优于PSO-SVR;在一定范围内样本容量对预测结果影响不大,PSO-ELM可遗忘更多的数据。     

利用完全复数极限学习机增强近场声全息空间分辨率

针对稀疏测量阵列条件下近场声全息重建结果空间分辨率不足的问题,提出了一种基于完全复数极限学习机的全息声压插值方法。该方法首先将已测量的全息面复声压和对应的测点坐标组成训练样本输入完全复数极限学习机,接着把插值点的坐标代入训练好的极限学习机,得到相应位置的复声压,实现全息数据的插值。利用插值后的全息数据进行重建,并与不做插值处理的重建结果和传统插值处理后的重建结果比较。仿真和实验结果均表明:与不做插值相比,该方法在不增加传声器的条件下显著提高了重建结果的空间分辨率。与基于支持向量机或传统极限学习机的插值方法相比,该方法速度更快,插值后重建结果精度更高。同时,通过添加噪声干扰验证了该方法的稳健性。     

布谷鸟搜索算法优化的多核极限学习机遥感影像分类

针对高分遥感影像分类结果存在的错分问题,本文提出布谷鸟搜索算法优化的多核极限学习机遥感影像分类方法。该方法利用具有学习能力较强的局部高斯核函数与泛化能力较强的全局多项式核函数组合成多核极限学习机分类模型,充分利用不同核函数的优点,通过布谷鸟搜索算法对多核参数进行优化,避免了参数计算错误导致的分类结果较差问题;然后,通过实验与单极限学习机、多核极限学习机进行对比验证。结果表明,布谷鸟搜索算法优化的多核极限学习机分类精度最高、模型训练速度快,可保证影像分类精度与速度的平衡。     

基于极限学习机方法的边坡稳定性分析

为了实现对边坡安全系数的预测,选取了60组边坡稳定性影响因素和对应安全系数作为数据样本,利用极限学习机(ELM)建立了边坡的稳定性分析模型,指出实验结果与传统的BP神经网络和极限平衡法方法的计算结果非常接近,表明极限学习机可以用来进行边坡稳定性预测和判断。