融合累积变异比和集成超限学习机的高光谱图像分类

目的 高光谱图像具有高维度的光谱结构,而且邻近波段之间往往存在大量冗余信息,导致在随机样本选择策略和图像分类过程中出现选择波段算法复杂度较高和不适合小样本的现象。针对该问题,在集成学习算法的基础上,考虑不同波段在高光谱图像分类过程中的作用不同,提出一种融合累积变异比和超限学习机的高光谱图像分类算法。方法 定义波段的累积变异比函数来确定各波段在分类算法的贡献程度。基于累积变异比函数剔除低效波段,并结合空谱特征进行平均分组加权随机选择策略进行数据降维。为了进一步提高算法的泛化能力,对降维后提取的空谱特征进行多次样本重采样,训练得到多个超限学习机弱分类器,再将多个弱分类器的结果通过投票表决法得到最后的分类结果。结果 实验使用Indian Pines、Pavia University scene和Salinas这3种典型的高光谱图像作为实验标准数据集,采用支持向量机（support vector machine,SVM）,超限学习机（extreme learning machine,ELM）,基于二进制多层Gabor超限学习机（ELM with Gabor,GELM）,核函数超限学习机（ELM with kernel,KELM）,GELM-CK（GELM with composite kernel）,KELM-CK（KELM with composite kernel）和SS-EELM（spatial-spectral and ensemble ELM）为标准检测算法验证本文算法的有效性,在样本比例较小的实验中,本文算法的总体分类精度在3种数据集中分别为98.0%、98.9%和97.9%,比其他算法平均分别高出9.6%和4.7%和4.1%。本文算法耗时在3种数据集中分别为15.2 s、60.4 s和169.4 s。在同类目标空谱特性差异较大的情况下,相比于分类精度较高的KELM-CK和SS-EELM算法减少了算法耗时,提高了总体分类精度;在同类目标空谱特性相近的情况下,相比于其他算法,样本数量的增加对本文算法的耗时影响较小。结论 本文算法通过波段的累积变异比函数优化了平均分组波段选择策略,针对各类地物目标分布较广泛并且同类目标空谱特性差异较大的高光谱数据集,能够有效提取特征光谱维度的差异性,确定参数较少,总体分类效果较好。     

GPU-accelerated and parallelized ELM ensembles for large-scale regression

The paper presents an approach for performing regression on large data sets in reasonable time, using an ensemble of extreme learning machines (ELMs). The main purpose and contribution of this paper are to explore how the evaluation of this ensemble of ELMs can be accelerated in three distinct ways: (1) training and model structure selection of the individual ELMs are accelerated by performing these steps on the graphics processing unit (GPU), instead of the processor (CPU); (2) the training of ELM is performed in such a way that computed results can be reused in the model structure selection, making training plus model structure selection more efficient; (3) the modularity of the ensemble model is exploited and the process of model training and model structure selection is parallelized across multiple GPU and CPU cores, such that multiple models can be built at the same time. The experiments show that competitive performance is obtained on the regression tasks, and that the GPU-accelerated and parallelized ELM ensemble achieves attractive speedups over using a single CPU. Furthermore, the proposed approach is not limited to a specific type of ELM and can be employed for a large variety of ELMs.     

基于ABC-ELM的上证综指收盘价格预测模型

针对上证综指收盘价格预测问题,提出基于人工蜂群算法和极限学习机的组合预测模型.将上证综指的日交易数据作为原始样本,对数据进行归一化处理,利用ELM对数据进行训练,用ABC优化ELM的输入权值矩阵及隐含层阈值,建立收盘价格预测模型.仿真结果表明,与ELM、ABC-SVM、ABC-BP等模型相比,ABC-ELM的预测精度更...     

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...     

基于增量学习思想的改进AdaBoost 建模方法

针对软测量建模的特点以及建模过程中存在的主要问题,提出了基于 AdaBoost RT 集成学习方法的软测量建模方法,并根据 AdaBoost RT 算法固有的不足和软测量模型在线更新所面临的困难,提出了自适应修改阈值 和增添增量学习性能的改进方法.使用该建模方法对宝钢300 t LF 精炼炉建立钢水温度软测量模型,并使用实际生产数据对模型进行了检验.检验结果表明,该模型具有较好的预测精度,能够很好地实现在线更新.     

主动学习的白细胞图像自动分割

提出利用极端学习机算法(ELM)在线构建像素分类模型分割白细胞图像。训练阶段根据白细胞核深染色的特点,先利用一个Mean-shift过程在RGB空间定位白细胞核区;再经核区形态学膨胀,得到一个熵与面积之比最大的区域作为正样本候选区域,而此区域外像素则作为负样本候选区域;通过正负样本像素抽样组成训练集,能在线训练得到一个两分类ELM模型。多次抽样得到的训练集可以产生多个ELM模型。测试阶段利用上述ELM模型集成分类全体像素,可实现白细胞自动分割。与传统图像分割算法相比,本文方法基本无参数调整,可自适应光照和染色条件导致的图像颜色变化,分割效果好。相关实验结果表明算法的有效性。     

基于仿电磁学算法和数据包络分析的水火电力系统多目标优化调度

在节能调度背景下,为提高水火电力系统运行的综合经济性,针对含有梯级水电站的水火电力系统,构建兼顾节能、用水和电网间协调的多目标优化调度模型。为对其进行有效求解,以分析数据包络分析有效性与Pareto有效解等价性理论为基础,提出以优化目标和约束条件违背量为CCR-I模型输入和输出指标并融合仿电磁学算法的多目标优化调度模型求解新方法。以一个含有8个梯级水电站和10个火电厂的水火电力系统为例进行仿真分析,结果表明所提方法求解时无需采用权重系数、层级选择及量纲统一等步骤,与以决策变量为输入指标的方法相比,CCR-I模型的变量个数减少近5倍,求解效率高,且可利用数据包络分析值和优化目标双重准则确定调度方案,从而实现燃料、水能资源和网损间的合理协调。     

热红外与多光谱遥感图像的神经网络回归融合方法研究

为验证神经网络方法用于遥感图像融合的有效性,归纳了利用神经网络对遥感数据进行回归来实现融合的3种途径,并提出了一种结合图像数据回归和多光谱遥感图像锐化技术来实现热红外图像的全色锐化新方法。这种热红外图像的全色锐化方法,利用了极限学习机（ELM）这种新型神经网络算法,快速高效地由训练样本得到遥感图像数据间的回归关系;同时,方法注重图像数据本身的物理含义,以提高热红外图像数据的真实质量为目标,是一种定量化的图像融合方法。经这种方法融合得到的热红外数据也能很好地用于定量遥感的物理模型,为遥感的实际应用提供方便。该方法的有效性通过对ETM+图像进行实验得到了证明,而直接对热红外图像数据和全色图像数据进行回归的融合模式,在实验中则无法得到满意的结果。