Intelligent Machine Learning with Metaheuristics Based Sentiment Analysis and Classification

Sentiment Analysis (SA) is one of the subfields in Natural Language Processing (NLP) which focuses on identification and extraction of opinions that exist in the text provided across reviews, social media, blogs, news, and so on. SA has the ability to handle the drastically-increasing unstructured text by transforming them into structured data with the help of NLP and open source tools. The current research work designs a novel Modified Red Deer Algorithm (MRDA) Extreme Learning Machine Sparse Autoencoder (ELMSAE) model for SA and classification. The proposed MRDA-ELMSAE technique initially performs preprocessing to transform the data into a compatible format. Moreover, TF-IDF vectorizer is employed in the extraction of features while ELMSAE model is applied in the classification of sentiments. Furthermore, optimal parameter tuning is done for ELMSAE model using MRDA technique. A wide range of simulation analyses was carried out and results from comparative analysis establish the enhanced efficiency of MRDA-ELMSAE technique against other recent techniques.     

SNELM: SqueezeNet-Guided ELM for COVID-19 Recognition

(Aim) The COVID-19 has caused 6.26 million deaths and 522.06 million confirmed cases till 17/May/2022. Chest computed tomography is a precise way to help clinicians diagnose COVID-19 patients. (Method) Two datasets are chosen for this study. The multiple-way data augmentation, including speckle noise, random translation, scaling, salt-and-pepper noise, vertical shear, Gamma correction, rotation, Gaussian noise, and horizontal shear, is harnessed to increase the size of the training set. Then, the SqueezeNet (SN) with complex bypass is used to generate SN features. Finally, the extreme learning machine (ELM) is used to serve as the classifier due to its simplicity of usage, quick learning speed, and great generalization performances. The number of hidden neurons in ELM is set to 2000. Ten runs of 10-fold cross-validation are implemented to generate impartial results. (Result) For the 296-image dataset, our SNELM model attains a sensitivity of 96.35 ± 1.50%, a specificity of 96.08 ± 1.05%, a precision of 96.10 ± 1.00%, and an accuracy of 96.22 ± 0.94%. For the 640-image dataset, the SNELM attains a sensitivity of 96.00 ± 1.25%, a specificity of 96.28 ± 1.16%, a precision of 96.28 ± 1.13%, and an accuracy of 96.14 ± 0.96%. (Conclusion) The proposed SNELM model is successful in diagnosing COVID-19. The performances of our model are higher than seven state-of-the-art COVID-19 recognition models.     

基于多源卫星遥感的灾害性气象观测数据监测系统设计

灾害性气象的频发不仅给人们的生活带来了极大的影响,而且还危及生态环境的稳定。为减小实测气象数据与真实数据样本之间误差,实现对灾害性气象观测数据的准确监测,设计基于多源卫星遥感的灾害性气象观测数据监测系统。设置温湿度传感器及防辐射罩,按照数据信息传输网络布局形式,将风速风向传感器、雨量传感器、太阳能控制器接入既定模块单元之中,完成监测系统的硬件设计。利用多源卫星遥感技术,定义多源影像空间,通过分解数字卫星图像的方式,确定监测极值点所处位置,并计算相似性度量指标的具体数值,完成基于多源卫星遥感的灾害性气象图像配准处理。根据上位机组网模型,完善WINSOCK控件的连接形式,实现监测系统的执行程序编制,联合相关传感器元件,完成基于多源卫星遥感的灾害性气象观测数据监测系统设计。实验结果表明,多源卫星遥感技术设计系统的湿度测量曲线、气压测量曲线、风速测量曲线与真实气象数据样本之间的误差值均未超过2%,能够准确监测灾害性气象观测数据。     

基于XGBoost和TCN-Attention的棉花价格多影响因素选择及预测

棉花价格受多种因素影响而复杂多变, 通过选择合适的数据特征和预测模型可提高棉花价格预测精度. 本文以棉花日现货价格数据为研究目标, 采集了供需关系、国际市场、宏观经济、产业链这4个方面的9项影响因素作为特征, 使用极限梯度提升(XGBoost)算法对棉花价格影响因素进行特征评估筛选, 选取其中5项特征后, 采用引入注意力机制(Attention)的时间卷积网络(TCN) TCN-Attention、TCN、LSTM、GRU等模型对棉花价格进行预测. 通过消融实验和对比实验, 结果表明: (1)经过XGBoost特征筛选后, TCN-Attention价格预测的平均绝对误差(MAE)和均方根误差(RMSE)为41.47和58.76, 与未筛选相比分别降低了77.57%和76.49%. (2)与TCN、LSTM、GRU相比, 本文提出的TCN-Attention模型预测结果更准确, MAE和RMSE均降低50%以上, 运行时间较LSTM、GRU缩短60%.     

基于优化 ELM 的光纤连接器表面自识别降噪技术

光纤连接器的表面检测属于精密仪器检测,因此工厂环境中的大量灰尘会影响连接器表面的复原效果。然而现有的检测技术运行时间长,对于图像细节的保留能力差,并且难以克服实际工作环境中的干扰。因此提出一种优化超限学习机的自识别降噪技术。首先对于干涉数据进行降维处理;其次,采用AdaBoost算法优化超限学习机对噪声点进行定位;最后通过滤波算法对噪声点位置进行修复。实验得出,基于AdaBoost-Elm的自识别降噪算法具有较高的噪声识别能力,其平均噪声识别率达97.33%。此外,采用基于AdaBoost-Elm降噪算法得到BBS的平均值为131.14,NRIQAVR的平均值为2.61,降噪效果均优于全局滤波算法。最后,通过模拟工厂环境,采用基于AdaBoost-Elm的中值滤波算法在不同光强条件下对重度污染的光纤探头进行3D复原测试,其BBS达到130左右,NRIQAVR低于2.57,对比基于Elm的中值滤波算法具有明显优势。     

基于奇异谱分析的长时交通流混合预测模型

长时交通流预测是综合交通运输系统规划的重要组成部分,也是宏观交通流管理政策制定的重要依据。 针对时序预测 中存在较多噪声及单一模型预测效果不稳定等问题,提出了一种基于奇异谱分析(SSA)的混合预测模型,以提高实际应用中交 通流序列预测的精度与效率。 首先将原始数据经过奇异谱分析后重构为趋势项、周期项和残差项,其中趋势项运用支持向量回 归(SVR)进行预测,并引入灰狼优化(GWO)算法对模型参数进行优化,周期项利用带遗忘机制的在线序列极限学习机(FOSELM)预测,最后叠加两部分得到预测结果。 以真实交通流数据开展实验,本文所提出的混合预测模型的平均绝对误差为 215. 15,均方根误差为 278. 51。 整体结果表明,该模型能够解决单一模型预测结果误差波动大、预测效果不稳定等问题;相比经 验模态分解(EMD)以及未经处理的时间序列,各模型对经过奇异谱分析的时间序列的预测误差均有所减小,进一步证实了奇 异谱分析在时间序列分解中的有效性。     

基于mRMR-XGboost-IDM模型的两阶段可调鲁棒经济调度

源荷双端不确定性导致的频繁弃风切负荷现象严重影响微网运行经济性。为有效应对源荷不确定性,文章提出一种基于最小冗余最大相关-极限梯度提升算法改进非精确狄利克雷模型(minimum redundancy and maximum correlation-extreme gradient boosting improved imprecise Dirichlet model, mRMR-XGboost-IDM)的两阶段可调鲁棒微网经济调度模型。首先,针对基于非精确狄利克雷模型(imprecise dirichlet model, IDM模型的不确定模糊集高度依赖历史数据数量的不足,结合mRMR-XGboost预测方法对其进行改进,扩大历史数据体量以提高所得不确定区间的精确度。其次,基于得到的不确定区间,构建微网两阶段鲁棒经济调度模型,并引入可调鲁棒参数协调经济性和鲁棒性。最后,采用列约束生成算法(column-and-constraint generation,C&CG)、对偶理论以及大M法求解最优经济调度策略。算例验证了所提模型可提高不确定区间刻画准确度,有效应对源荷不确定性并提高系统运行经济性。     

快速扫描机载气象雷达多普勒解模糊算法

本文针对机载气象雷达前视快速扫描下的多普勒模糊问题,提出了两种多普勒解模糊算法：基于改进方位向波束形成算法和基于阻塞矩阵算法。基于改进方位向波束形成算法在传统的Capon波束形成的基础上,利用空间谱积分的方法对非期望信号协方差矩阵进行重构和对导向矢量进行估计,进一步提高了算法的鲁棒性,降低方位角估计误差;基于阻塞矩阵算法需要估计导向矢量,并利用导向矢量计算阻塞矩阵,将接收信号进行多普勒模糊相消预处理,阻塞每个多普勒频点的模糊多普勒分量,以达到解模糊的目的。通过仿真实验证明,两种方法均可以有效地恢复信号的多普勒信息,其中基于阻塞矩阵算法与基于改进方位向波束形成算法相比,有更优良的性能,并有更小的运算量。     

神经网络极速学习方法研究进展

神经网络已经在模式识别、自动控制及数据挖掘等领域取得了广泛的应用,但学习方法的速度不能满足实际需求。传统的误差反向传播方法(BP)主要是基于梯度下降的思想,需要多次迭代;网络的所有参数都需要在训练过程中迭代确定,因此算法的计算量和搜索空间很大。ELM(Extreme Learning Machine,ELM)是一次学习思想使得学习速度提高很多,避免了多次迭代和局部最小值,具有良好的泛化性能、鲁棒性与可控性。但对于不同的数据集和不同的应用领域,无论ELM是用于数据分类或是回归,ELM算法本身还是存在问题,所以本文对已有方法深入对比分析,并指出极速学习方法未来的发展方向。     

粒子群优化算法的改进

针对粒子群优化算法搜索精度不高、对高维函数优化性能不佳的问题,提出一种改进的粒子群优化算法。以递增方式对粒子进行释放增强可利用的种群信息,通过释放粒子引导极值变化加强算法的运算效率。实验结果表明,与其他算法相比,改进算法具有更强的寻优能力和搜索精度,且适于高维复杂函数的优化。