| 基于改进粒子群优化的并行极限学习机* |
| |
| 作者姓名： | 李婉华 陈羽中 郭昆 郭松荣 刘漳辉 |
| |
| 作者单位： | 1.福州大学 数学与计算机科学学院 福州 350116。2.福州大学 福建省网络计算与智能信息处理重点实验室 福州 350116。3.海西政务大数据应用协同创新中心 福州 350003 |
| |
| 基金项目： | 国家自然科学基金项目(No.61300102,61300103,61300104)、福建省自然科学基金项目(No.2014J01233,2013J01230,2013J01232)、福建省杰出青年科学基金项目(No.2015J06014,2014J06017)、福建省教育厅重点项目(No.JK2012003)、福建省科技厅高校产学合作重大项目(No.2014H6014)、福建省科技创新平台项目(No.2014H2005)、福建省科技平台建设项目(No.2009J1007)资助 |
| |
| 摘 要： | 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。
|
| 关 键 词： | 电力负荷预测 极限学习机(ELM) 粒子群优化 变异算子 并行计算 |
| 收稿时间： | 2016-01-11 |
|
| 点击此处可从《模式识别与人工智能》浏览原始摘要信息 |
|
点击此处可从《模式识别与人工智能》下载全文 |
|
