改进粒子群优化的极限学习机软测量建模方法

工业过程常含有显著的非线性、时变等复杂特性,传统的极限学习机有时无法充分利用数据信息,所建软测量模型预测性能较差。为了提高极限学习机的泛化能力和预测精度,提出一种改进粒子群优化的极限学习机软测量建模方法。首先,利用高斯函数正态分布的特点实现惯性权重的自适应更新,并线性变化学习因子以提高粒子群优化算法的收敛速度和搜索性能;然后将该算法用于优化极限学习机的惩罚系数和核宽,得到一组最优超参数;最后将该方法应用于脱丁烷塔过程软测量建模中。仿真结果表明,优化后的极限学习机模型预测精度有明显的提高,验证了所提方法不仅是可行的,而且具有良好的预测精度和泛化性能。     

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。     

粒子群优化核极限学习机的变压器故障诊断

核极限学习机（kernel-based extreme learning machine,KELM）在分类性能方面优于支持向量机（SVM）,但仍存在参数敏感性的缺陷。针对这一缺陷,提出一种结合K 折交叉验证（k-fold cross validation,K-CV）与粒子群优化（particle swarm optimization,PSO）的KELM分类器参数优化方法,将CV训练所得多个模型的平均准确率作为PSO的适应度评价函数,为KELM的参数优化提供评价标准。将该方法应用于变压器故障诊断中,充分利用数量有限的样本数据,提高KELM的泛化性能。实验结果表明,相比结合网格搜索（grid）的KELM、结合CV和Grid的KELM以及结合PSO的KELM,结合PSO的CV参数优化方法具有更好的性能。     

基于混沌粒子群优化核极限学习机的变压器故障诊断方法

为提高电力变压器故障诊断的准确度,提出一种基于核极限学习机(KELM)的变压器故障诊断方法,利用混沌优化改善粒子群算法的全局寻优性能。该方法首先用KELM建立故障诊断模型,再利用改进后的混沌粒子群算法(CPSO)对KELM的参数进行优化。结合油中溶解气体分析法(DGA)获得样本数据,通过实例仿真结果对比分析表明,所用算法具有更高的诊断准确率,提高了变压器故障诊断的可靠性。     

粒子群优化混合核极限学习机的构造煤厚度预测方法

在构造煤厚度的预测中,针对预测精度不高的问题,提出利用粒子群优化（PSO）算法优化极限学习机（ELM）的方法来对构造煤厚度进行预测。首先,利用主成分分析（PCA）对三维地震属性进行降维处理,在降低地震属性的维数的同时消除变量之间的相关性。然后,构建全局多项式核函数和局部高斯径向基核函数混合核极限学习机（HKELM）模型,并利用PSO算法优化HKELM的核参数。同时,针对PSO算法存在容易陷入局部最优的问题,在PSO算法中加入模拟退火的思想和随迭代次数减小的惯性权重,以及基于反向学习的变异操作,使PSO算法可以更容易跳出局部极小值点,得到更优结果。此外,为了增强模型的泛化能力,在核函数的基础上加入L2正则项,有效地避免了噪声和异常点对模型泛化性能的影响。最后,将预测模型应用到阳煤集团新景矿区芦南二采区中部15#煤层中,预测得到的采区构造煤厚度与实际地质资料具有较高的一致性。实验结果表明,利用改进PSO算法优化HKELM构建构造煤厚度预测模型的预测误差较小,可以推广用于实际采区的构造煤厚度预测。     

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。     

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。     

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。     

网络安全组态势感知及其带粒子群优化的效用分析方法

针对网络安全系统中个体态势感知的局限性,提出网络安全组态势感知的概念,讨论了其发展的必要性,同时对相关概念的区别和联系进行了分析.通过设计基于粒子群优化算法的聚类分析,对网络安全环境中的个体态势感知与组态势惑知的关系进行了定量研究.模拟实验结果表明,网络安全系统中组态势感知能力优于个体态势感知能力,且其感知能力与任务的工作负荷大小有关.     

基于粒子滤波的网络安全态势预测方法研究

为了使网络管理由被动防御转为主动防御,需对网络安全态势进行预测。针对已有态势预测方法存在的准确性不高、需要样本训练问题,提出基于粒子滤波的网络安全态势预测方法。该方法利用带权粒子集逼近系统的后验概率密度函数,通过重要性采样、权值更新、状态估计等近似积分操作来实现非线性状态预测。实验结果表明,该方法不仅能体现网络安全状态的非线性,也预测了网络安全态势值。对比其他态势预测模型,该方法准确性更高,且适应于复杂网络环境。     

基于改进极限学习机算法的股票价格在线预测

为了对股票价格进行准确、快速的在线预测,提出一种基于改进极限学习机算法（IELM）的股票价格在线预测模型。在极限学习机（ELM）中引入Cholesky分解方法,使网络权值随新样本的逐次加入递推更新,提高模型的泛化能力,加快网络学习效率,然后对交通银行股票（601328）的收盘价进行仿真实验。结果表明,相对于对比模型,IELM不仅提高了计算效率,而且提高了股票价格预测精度,可以实现股票价格快速、准确在线预测。     

基于聚类和微粒群优化的基因选择新方法

鉴于传统的基因选择方法会选出大量冗余基因从而导致较低的样本预测准确率,提出一种基于聚类和微粒群优化的基因选择算法。首先采用聚类算法将基因分成固定数目的簇;然后,采用极限学习机作为分类器进行簇中的特征基因分类性能评价,得到一个备选基因库;最后,采用基于微粒群优化和极限学习机的缠绕法从备选基因库中选择具有最大分类率、最小数目的基因子集。所选出的基因具有良好的分类性能。在两个公开的微阵列数据集上的实验结果表明,相对于一些经典的方法,新方法能够以较少的基因获得更高的分类性能。     

基于Sigmoid惯性权值的自适应粒子群优化算法

针对粒子群优化算法存在的缺点,提出了基于Sigmoid惯性权值的自适应粒子群优化算法。一方面,引入粒子群早熟收敛的计算公式,以指导算法在进化过程中的具体执行策略,有效避免计算的盲目性,加快算法的收敛速度;另一方面,通过设定粒子群聚集程度的判定阈值,以使算法在线性递减惯性权值和基于Sigmoid函数思想的非线性递减惯性权值之间进行自适应地动态调整,从而有效减少了算法陷入局部最优的可能。测试函数仿真结果表明了该算法的可行性和有效性。     

一种改进的微粒群优化算法

基于惯性权重对微粒群优化算法（Particle Swarm Optimization,PSO）优化性能的显著影响,提出了一种改变惯性权重的方法以改进PSO算法的优化性能。算法中惯性权重的动态改变是通过对其进行PSO寻优来控制的。经过对标准函数的测试计算,无论是二维还是多维的问题,这种改变惯性权重的PSO算法的寻优结果的准确度和精度均得以提高,收到了良好的效果,尤其在高维情况下,显示出算法性能得到了明显改善。     

基于受控混沌映射的简化粒子群优化算法

为了克服粒子群算法早熟收敛和收敛精度不高的缺陷,提出了基于受控混沌映射的简化粒子群优化算法。该算法在采用去除了速度项的简化粒子群算法结构基础上,用受控混沌变量来描述惯性权值,并且对进化停滞的个体和全局极值进行变异操作。数值实验结果表明,新算法在收敛速度和收敛精度方面较已有方法有了明显提高,具有更强的摆脱局部极值的能力。     

粒子群优化算法中惯性权重的研究进展

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的用于解决优化问题的一类新兴的随机优化算法。惯性权重是粒子群算法中非常重要的参数,可以用来控制算法的开发和探索能力。简单介绍了标准粒子群优化算法的基本原理,全面综述了现有文献中对惯性权重的研究进展情况。     

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。     

改进的粒子群算法优化TSFNN的交通流预测

为提高T-S模糊神经网络在交通流量预测的准确性,提出了一种改进的粒子群算法优化T-S 模糊神经网络预测交通流量的算法。该算法利用改进粒子群算法通过群体极值进行[t]分布变异,使算法跳出局部收敛,使用改进的粒子群算法优化T-S模糊神经网络,能够优化网络参数配置,进而提高网络的预测精度。利用优化后的T-S模糊神经网络对实测交通流量进行预测,实验仿真表明优化的T-S模糊神经网络可有效提高交通流量预测精度,减小预测误差。     

基于改进极限学习机的软测量建模

极限学习机（ELM）因其泛化能力好和学习速度快而成为软测量的新方法,但当应用到铝电解工艺参数建模时,ELM通常需要较多隐层节点并且泛化能力较低。针对这一问题,提出一种基于改进极限学习机（IELM）的软测量模型。首先,利用粗糙集中的约简理论剔除输入变量中的冗余或不相关属性,以降低ELM的输入复杂性;然后,利用偏相关系数对输入变量和输出变量间的相关性进行分析,将输入数据分为正输入和负输入两部分,分别对这两部分建立输入单元,重新构建ELM网络;最后,建立了基于改进极限学习机的铝电解分子比软测量模型。仿真实验结果表明,基于改进极限学习机的软测量模型具有较好的泛化能力和稳定性。