極限學(xué)習(xí)機(jī)
- 基于改進(jìn)麻雀搜索算法的優(yōu)化型極限學(xué)習(xí)機(jī)
音關(guān)鍵詞：極限學(xué)習(xí)機(jī);麻雀搜索算法;分組機(jī)制;模擬退火中圖分類(lèi)號(hào)：TP181 文獻(xiàn)標(biāo)志碼：A0 引言（Introduction）極限學(xué)習(xí)機(jī)[1]（Extreme Learning Machine， ELM）是黃廣斌教授于2004年提出的一種單隱層前饋神經(jīng)網(wǎng)絡(luò)模型，該模型簡(jiǎn)單、運(yùn)算速度高，具有較好的回歸預(yù)測(cè)能力[2]。然而，ELM存在隨機(jī)的權(quán)閾值，可能導(dǎo)致其出現(xiàn)穩(wěn)定性差和泛化性能不高等問(wèn)題，而群體智能優(yōu)化算法可以解決以上問(wèn)題。XUE等[3]于2020年提出麻
軟件工程 2023年9期2023-09-06
- 基于極限學(xué)習(xí)機(jī)的智能電網(wǎng)運(yùn)行入侵檢測(cè)研究
算法優(yōu)化的極限學(xué)習(xí)機(jī)模型。通過(guò)構(gòu)建量子甲蟲(chóng)群優(yōu)化算法，并引入量子力學(xué)，結(jié)合甲蟲(chóng)觸角搜索和粒子群優(yōu)化的優(yōu)點(diǎn)，以進(jìn)一步提高極限學(xué)習(xí)機(jī)算法入侵收斂性能，降低極限學(xué)習(xí)機(jī)的計(jì)算復(fù)雜度和訓(xùn)練時(shí)間。結(jié)果表明：隨著迭代次數(shù)的增加，入侵檢測(cè)測(cè)試誤差逐漸減小，最小誤差率為1.1%。所提出的極限學(xué)習(xí)機(jī)算法的準(zhǔn)確率、平均 F 值和攻擊準(zhǔn)確率分別為95.82%、95.90%和95.16%。與隨機(jī)森林算法相比，極限學(xué)習(xí)機(jī)可以有效提高智能電網(wǎng)運(yùn)行入侵檢測(cè)的準(zhǔn)確性、檢測(cè)率、攻擊準(zhǔn)確率，降
粘接 2023年8期2023-09-05
- 基于改進(jìn)人工蜂鳥(niǎo)算法優(yōu)化ELM的電力負(fù)荷預(yù)測(cè)
荷預(yù)測(cè)； 極限學(xué)習(xí)機(jī)； 人工蜂鳥(niǎo)算法； Sobol序列中圖分類(lèi)號(hào)：TP18；TM714? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ?文章編號(hào)：1006-8228（2023）06-43-05Optimized ELM based on improved artificial hummingbirdalgorithm for power load forecastingWang Tong（School of Computer Science and Techno
計(jì)算機(jī)時(shí)代 2023年6期2023-06-15
- 基于改進(jìn)LSTM-ELM模型的匯率預(yù)測(cè)研究
神經(jīng)網(wǎng)絡(luò);極限學(xué)習(xí)機(jī)一、引言匯率是一個(gè)重要的研究課題，因?yàn)樗菄?guó)家之間經(jīng)濟(jì)競(jìng)爭(zhēng)的指標(biāo)。自1971年以來(lái)，世界經(jīng)濟(jì)發(fā)生了變化，使匯率市場(chǎng)更加難以預(yù)測(cè)。準(zhǔn)確的匯率預(yù)測(cè)對(duì)政策制定者、計(jì)量經(jīng)濟(jì)學(xué)家和從業(yè)人員都具有重要意義。一些研究試圖通過(guò)分析計(jì)量經(jīng)濟(jì)模型，開(kāi)發(fā)人工智能模型，并通過(guò)創(chuàng)建混合模型將兩者結(jié)合，來(lái)開(kāi)發(fā)更準(zhǔn)確的模型來(lái)預(yù)測(cè)未來(lái)匯率。周曉波（2019）通過(guò)利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)匯率，顯示出了捕捉非線性的能力，使得匯率預(yù)測(cè)超越了傳統(tǒng)的方法和隨機(jī)漫步。其他研究也表明，通過(guò)
中國(guó)集體經(jīng)濟(jì) 2022年29期2022-05-30
- 樣本線性化與數(shù)據(jù)去重的極限學(xué)習(xí)機(jī)
于在線順序極限學(xué)習(xí)機(jī)（Online Sequential Extreme Learning Machine， OS-ELM）的改進(jìn)算法—樣本線性化和數(shù)據(jù)預(yù)處理極限學(xué)習(xí)機(jī)（PDC-ELM）。PDC-ELM算法對(duì)線性不可分的數(shù)據(jù)樣本先利用核函數(shù)進(jìn)行處理，使數(shù)據(jù)樣本具有線性可分的特征，對(duì)于處理后的數(shù)據(jù)樣本，利用在線順序極限學(xué)習(xí)機(jī)（OS-ELM）在計(jì)算之前對(duì)分類(lèi)數(shù)據(jù)進(jìn)行預(yù)處理，即從訓(xùn)練和測(cè)試數(shù)據(jù)集中查找不一樣的特征標(biāo)簽并保存類(lèi)標(biāo)簽中，實(shí)驗(yàn)中新生成的標(biāo)簽組將不具有重
智能計(jì)算機(jī)與應(yīng)用 2021年7期2021-12-07
- 一種基于麻雀搜索算法的改進(jìn)極限學(xué)習(xí)機(jī)股票預(yù)測(cè)
算法的改進(jìn)極限學(xué)習(xí)機(jī)的預(yù)測(cè)方法。根據(jù)股票市場(chǎng)相關(guān)指標(biāo)，利用TSLA的股票數(shù)據(jù)資料，運(yùn)用MATLAB軟件進(jìn)行仿真實(shí)驗(yàn)，并將SSA-ELM算法的仿真結(jié)果與ELM算法的仿真結(jié)果進(jìn)行比較。結(jié)果表明：改進(jìn)的算法模型預(yù)測(cè)誤差較小，預(yù)測(cè)精度較高，能夠在一定程度上反映股票價(jià)格波動(dòng)趨勢(shì)。關(guān)鍵詞：麻雀搜索算法;極限學(xué)習(xí)機(jī);股票預(yù)測(cè)1.引言股票交易市場(chǎng)在中國(guó)金融市場(chǎng)中發(fā)揮著重要作用，股票市場(chǎng)的預(yù)測(cè)結(jié)果可以作為投資者獲利和規(guī)避風(fēng)險(xiǎn)的重要參數(shù)，同時(shí)也能為監(jiān)管者穩(wěn)定股市提供思路，因此
錦繡·上旬刊 2021年11期2021-10-08
- 基于極限學(xué)習(xí)機(jī)的TOPSIS無(wú)車(chē)承運(yùn)人平臺(tái)評(píng)價(jià)系統(tǒng)
因子分析;極限學(xué)習(xí)機(jī);TOPSIS 評(píng)價(jià);AHP1探究無(wú)車(chē)承運(yùn)人平臺(tái)進(jìn)行貨運(yùn)線路定價(jià)的主要因素分析首先，對(duì)于搜集的數(shù)據(jù)，利用拉依達(dá)準(zhǔn)則算法對(duì)其進(jìn)行分析和預(yù)處理，包括對(duì)數(shù)據(jù)中的壞值和缺失數(shù)據(jù)進(jìn)行處理，保證計(jì)算的準(zhǔn)確性。接著基于已處理的數(shù)據(jù)，使用因子分析算法，選取價(jià)格為被解釋變量而相關(guān)影響因子為解釋變量，解釋變量包括：里程數(shù)量、業(yè)務(wù)類(lèi)型、調(diào)價(jià)比例、線路編碼、續(xù)簽狀態(tài)、運(yùn)輸時(shí)間長(zhǎng)短、需求狀態(tài)等，得出無(wú)車(chē)承運(yùn)人平臺(tái)進(jìn)行貨運(yùn)線路定價(jià)的影響因子。 最后，綜合各類(lèi)情況，
國(guó)際商業(yè)技術(shù) 2021年11期2021-09-29
- 基于判別信息的復(fù)合核極限學(xué)習(xí)機(jī)算法
。針對(duì)經(jīng)典極限學(xué)習(xí)機(jī)算法難以較好地提取光譜特征，引入特征學(xué)習(xí)技術(shù)，提出了一種基于判別信息的復(fù)合核極限學(xué)習(xí)機(jī)（CKELM-L）方法。CKELM-L通過(guò)最大化類(lèi)間矩陣與最小化類(lèi)內(nèi)矩陣，使投影后的低維數(shù)據(jù)同類(lèi)越近而異類(lèi)越遠(yuǎn)。實(shí)驗(yàn)結(jié)果表明，所提方法保留了更好的光譜特征，計(jì)算復(fù)雜度低且實(shí)現(xiàn)了出色的可分離性。關(guān)鍵詞：極限學(xué)習(xí)機(jī);高光譜圖像分類(lèi);線性判別分析;特征學(xué)習(xí)中圖分類(lèi)號(hào)：TP391? ? ?文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：2096-1472（2021）-09-32-06
軟件工程 2021年9期2021-09-13
- 基于優(yōu)化極限學(xué)習(xí)機(jī)的人造板厚度在線檢測(cè)
算法提升極限學(xué)習(xí)機(jī)（ Extreme Learning Machine，ELM）的人造板厚度檢測(cè)方法。通過(guò)對(duì)HHO算法進(jìn)行改進(jìn)，并利用優(yōu)化后的算法對(duì)ELM的權(quán)值和偏置值等參數(shù)進(jìn)行選擇，在提升算法性能的基礎(chǔ)上保留其尋優(yōu)機(jī)制。同時(shí)，在初始種群位置中引入Tent映射反向?qū)W習(xí)，減少了不必要的全局搜索，在不影響種群多樣性的條件下提高算法的收斂速度。最后以中密度纖維板（Medium Density Fiberboard，MDF）為例進(jìn)行在線檢測(cè)實(shí)驗(yàn)，得到實(shí)驗(yàn)數(shù)據(jù)并進(jìn)
森林工程 2021年4期2021-08-23
- 黑猩猩優(yōu)化算法-極限學(xué)習(xí)機(jī)模型在富水性分級(jí)判定中的應(yīng)用
hOA）與極限學(xué)習(xí)機(jī)（ELM）相融合的判定方法。選取4個(gè)標(biāo)準(zhǔn)測(cè)試函數(shù)在不同維度條件下對(duì)ChOA的尋優(yōu)能力進(jìn)行仿真驗(yàn)證，仿真結(jié)果與粒子群優(yōu)化（PSO）算法、人工蜂群（ABC）算法作對(duì)比;基于煤層頂?shù)装宓貙痈凰耘卸ㄒ蜃雍团卸ǚ旨?jí)構(gòu)建ELM模型，利用ChOA優(yōu)化ELM輸入層權(quán)值和隱含層偏值，建立ChOA-ELM富水性分級(jí)判定模型，并構(gòu)建ChOA-SVM、ChOA-BP作對(duì)比模型，通過(guò)龍固煤層頂?shù)装宓貙痈凰苑旨?jí)判定實(shí)例對(duì)ChOA-ELM、ChOA-SVM、Ch
人民黃河 2021年7期2021-08-11
- 改進(jìn)的TLBO及其在自來(lái)水供水量預(yù)測(cè)中的應(yīng)用
O）優(yōu)化的極限學(xué)習(xí)機(jī)預(yù)測(cè)方法。針對(duì)TLBO算法收斂精度低、易陷入局部最優(yōu)的不足，提出一種改進(jìn)的TLBO算法（ITLBO）。在ITLBO中，增加一個(gè)最差學(xué)生補(bǔ)習(xí)階段，通過(guò)老師對(duì)該學(xué)生單獨(dú)輔導(dǎo)或者采用一個(gè)反向?qū)W習(xí)策略快速提升學(xué)生成績(jī);在此基礎(chǔ)上，采用一種干擾算子對(duì)老師進(jìn)行擾動(dòng)，增強(qiáng)種群跳出局部最優(yōu)的動(dòng)能;最后，將ITLBO算法用于優(yōu)化調(diào)整極限學(xué)習(xí)機(jī)（ELM）模型的輸入權(quán)值和隱層閾值參數(shù)，并構(gòu)建ITLBO-ELM自來(lái)水供水量預(yù)測(cè)模型。將ITLBO-ELM模型用于
人民黃河 2021年2期2021-03-15
- 基于自適應(yīng)競(jìng)爭(zhēng)的均衡優(yōu)化電力系統(tǒng)客戶(hù)分類(lèi)
均衡優(yōu)化與極限學(xué)習(xí)機(jī)的分類(lèi)方法.該方法中提出了一種自適應(yīng)競(jìng)爭(zhēng)機(jī)制來(lái)平衡均衡優(yōu)化 的全局探索與局部挖掘能力，從而有效提升了均衡優(yōu)化搜索最優(yōu)解的性能.之后，將提出的均衡優(yōu)化集成 極限學(xué)習(xí)機(jī)對(duì)電力系統(tǒng)的客戶(hù)進(jìn)行分類(lèi).通過(guò)真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)表明，在不同的分類(lèi)指標(biāo)下，所提出的 均衡優(yōu)化集成極限學(xué)習(xí)機(jī)都具有良好的預(yù)測(cè)效果，可為電力系統(tǒng)客戶(hù)管理與服務(wù)提供有效的技術(shù)手段. 關(guān)鍵詞：均衡優(yōu)化;極限學(xué)習(xí)機(jī);電力系統(tǒng);客戶(hù)分類(lèi)中圖分類(lèi)號(hào)：TP391?????? 文獻(xiàn)標(biāo)志碼：A
- 加權(quán)空-譜局部信息保持極限學(xué)習(xí)機(jī)的高光譜圖像分類(lèi)算法
，本文基于極限學(xué)習(xí)機(jī)提出新的研究。在模式識(shí)別和機(jī)器學(xué)習(xí)領(lǐng)域，極限學(xué)習(xí)機(jī)以其簡(jiǎn)單、快捷和良好的泛化能力得到越來(lái)越多的關(guān)注。但由于在高光譜遙感圖像的學(xué)習(xí)過(guò)程中極限學(xué)習(xí)機(jī)缺乏對(duì)空間信息和光譜信息的有效提取，無(wú)法在分類(lèi)中提供良好的分類(lèi)結(jié)果。為此，基于譜局部信息的思想構(gòu)造本文的研究框架，提出一種加權(quán)空-譜局部信息保持極限學(xué)習(xí)機(jī)分類(lèi)算法。為驗(yàn)證所提算法的有效性，本文在兩組常用的高光譜數(shù)據(jù)集Indian Pines和University of Pavia上進(jìn)行實(shí)驗(yàn)，通過(guò)
軟件 2020年7期2020-12-24
- 基于RF-ELM的軸承故障診斷
特征選擇的極限學(xué)習(xí)機(jī)軸承故障識(shí)別算法，實(shí)驗(yàn)表明，經(jīng)過(guò)特征提取與獨(dú)熱編碼處理類(lèi)別標(biāo)簽，能有效地提高識(shí)別準(zhǔn)確率，降低故障識(shí)別時(shí)間，能有效地解決軸承故障問(wèn)題，減少生產(chǎn)危險(xiǎn)事件的發(fā)生。關(guān)鍵詞：故障診斷;獨(dú)熱編碼;隨機(jī)森林;極限學(xué)習(xí)機(jī)1 引言目前，滾動(dòng)軸承故障診斷的方法主要包括振動(dòng)診斷、鐵譜診斷、溫度診斷、聲學(xué)診斷、油膜電阻診斷及光纖監(jiān)測(cè)診斷等方法。其中，應(yīng)用最為廣泛的是振動(dòng)、鐵鋪、溫度診斷技術(shù)。在工業(yè)生產(chǎn)過(guò)程中，軸承元件的工作表面可能會(huì)出現(xiàn)疲勞剝落、壓痕及局部腐蝕
裝備維修技術(shù) 2020年16期2020-12-24
- 基于PSO-ELM的績(jī)效管理評(píng)價(jià)研究
。關(guān)鍵詞：極限學(xué)習(xí)機(jī);粒子群優(yōu)化算法;績(jī)效管理;醫(yī)療衛(wèi)生;評(píng)價(jià)指標(biāo)中圖分類(lèi)號(hào)：R 197.3文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1007-757X（2020）11-0036-03Abstract：In order to realize the evaluation of hospital performance management， a hospital performance evaluation index system is constructed from
微型電腦應(yīng)用 2020年11期2020-12-23
- 極限學(xué)習(xí)機(jī)在車(chē)身前縱梁裝配中誤差預(yù)測(cè)應(yīng)用
，提出基于極限學(xué)習(xí)機(jī)建模的車(chē)身裝配偏差預(yù)測(cè)控制方法，通過(guò)對(duì)檢測(cè)數(shù)據(jù)的擬合建模，實(shí)現(xiàn)車(chē)身產(chǎn)品裝配質(zhì)量預(yù)測(cè)，并應(yīng)用于制造生產(chǎn)線指導(dǎo)。文章應(yīng)用極限學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM）基于采集的車(chē)身前縱梁制造裝配數(shù)據(jù)預(yù)測(cè)裝配過(guò)程中的關(guān)鍵特征質(zhì)量誤差狀態(tài)，從結(jié)果分析角度說(shuō)明ELM準(zhǔn)確預(yù)測(cè)誤差狀態(tài)。關(guān)鍵詞：極限學(xué)習(xí)機(jī);數(shù)據(jù)處理;回歸擬合;質(zhì)量預(yù)測(cè)中圖分類(lèi)號(hào)：U462 ?文獻(xiàn)標(biāo)識(shí)碼：A ?文章編號(hào)：1671-7988（2020）20-161
汽車(chē)實(shí)用技術(shù) 2020年20期2020-11-23
- 基于CEEMD-SSA-ELM的短期電價(jià)集成預(yù)測(cè)模型
量分別使用極限學(xué)習(xí)機(jī)（extreme learning machine，ELM）模型進(jìn)行獨(dú)立預(yù)測(cè)，并將其預(yù)測(cè)結(jié)果進(jìn)行重構(gòu)集成以得到最終預(yù)測(cè)結(jié)果。對(duì)2種實(shí)際電價(jià)數(shù)據(jù)的預(yù)測(cè)分析結(jié)果表明：CEEMD-SSA-ELM模型和CEEMD-ELM、ELM模型相比，具有更高的預(yù)測(cè)精度。關(guān)鍵詞：互補(bǔ)集成經(jīng)驗(yàn)?zāi)B(tài)分解;奇異譜分析;極限學(xué)習(xí)機(jī);短期電價(jià)預(yù)測(cè)中圖分類(lèi)號(hào)：TP391文獻(xiàn)標(biāo)識(shí)碼： A文章編號(hào)?1000-5269（2020）05-0082-07???DOI：10.159
- 基于混合聚類(lèi)分析的區(qū)域短期用電量預(yù)測(cè)方法研究
功能聚類(lèi)、極限學(xué)習(xí)機(jī)和混合模型的區(qū)域短期用電量預(yù)測(cè)方法。該方法使用功能聚類(lèi)算法對(duì)用電量曲線進(jìn)行分組，隨后針對(duì)聚類(lèi)分組使用極限學(xué)習(xí)機(jī)模型進(jìn)行用電量預(yù)測(cè)，最后使用線性回歸方法對(duì)獨(dú)立的分組模型極限進(jìn)行混合實(shí)現(xiàn)對(duì)區(qū)域客戶(hù)的短期整體用電量預(yù)測(cè)。此外該方法還使用溫度分區(qū)策略提高聚類(lèi)分組的合理性。實(shí)驗(yàn)表明該方法能夠提高最終用電量預(yù)測(cè)的準(zhǔn)確性。關(guān)鍵詞： 用電量預(yù)測(cè); 功能聚類(lèi); 極限學(xué)習(xí)機(jī); 混合模型中圖分類(lèi)號(hào)： TP391，TM714 ? ? ?文獻(xiàn)標(biāo)志碼： AAbst
微型電腦應(yīng)用 2020年9期2020-10-13
- 基于BSM1的硝態(tài)氮濃度辨識(shí)建模
問(wèn)題，利用極限學(xué)習(xí)機(jī)（ELM）和支持向量機(jī)（SVM）的預(yù)測(cè)能力對(duì)硝態(tài)氮濃度進(jìn)行模型辨識(shí)和比較。結(jié)果證明，在數(shù)據(jù)量較少的情況下，支持向量機(jī)（SVM）具有很高的精確度，但是在數(shù)據(jù)量較高的情況下，極限學(xué)習(xí)機(jī)同樣具有高精確度的特點(diǎn)并且運(yùn)行速度更快。關(guān)鍵詞：污水處理;極限學(xué)習(xí)機(jī);支持向量機(jī);MATLAB仿真0引言在污水處理中，活性污泥是應(yīng)用最為廣泛的處理方法，因此大量的研究工作都將活性污泥作為研究的對(duì)象。因?yàn)槲⑸锎嬖诘母鞣N習(xí)性以及相互之間的作用，在最初的研究工作中
電子產(chǎn)品世界 2020年2期2020-09-23
- 基于SVR的船舶航行安全評(píng)估模型
均優(yōu)于基于極限學(xué)習(xí)機(jī)（extreme learning machine，ELM）構(gòu)建的模型。模型的評(píng)估結(jié)果為水上交通管理部門(mén)的監(jiān)管提供參考。關(guān)鍵詞： 航行安全; 安全評(píng)估; 支持向量回歸（SVR）; 極限學(xué)習(xí)機(jī)（ELM）中圖分類(lèi)號(hào)： U676.1 ? ?文獻(xiàn)標(biāo)志碼： AShip navigation safety assessment model based on SVRCHANG Jing， LIU Xiaoming， LI Mengrui（Inform
上海海事大學(xué)學(xué)報(bào) 2020年2期2020-09-01
- 基于ELM的高校課堂教學(xué)評(píng)價(jià)模型研究
了一種基于極限學(xué)習(xí)機(jī)（ELM）的課堂教學(xué)評(píng)價(jià)模型。該模型在訓(xùn)練過(guò)程中無(wú)需調(diào)整神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，只需要設(shè)置隱層神經(jīng)元個(gè)數(shù)獲得最優(yōu)解。以重慶某高校為例，通過(guò)MATLAB平臺(tái)仿真，結(jié)果表明該模型不僅克服了BP神經(jīng)網(wǎng)絡(luò)模型容易陷入局部極小的缺陷，而且抑制了教學(xué)督導(dǎo)評(píng)價(jià)的主觀因素，提高了評(píng)價(jià)準(zhǔn)確度。關(guān)鍵詞： 教學(xué)督導(dǎo);課堂教學(xué);極限學(xué)習(xí)機(jī);評(píng)價(jià)模型中圖分類(lèi)號(hào)： TP389.1 ? ?文獻(xiàn)標(biāo)識(shí)碼： A ? ?DOI：10.3969/j.issn.1003-6970
軟件 2020年6期2020-08-13
- 基于極限學(xué)習(xí)機(jī)的車(chē)削刀具狀態(tài)監(jiān)測(cè)技術(shù)研究
狀態(tài)識(shí)別的極限學(xué)習(xí)機(jī)（Extreme learning machine，ELM）模型。首先，選擇了振動(dòng)信號(hào)、AE信號(hào)作為監(jiān)測(cè)信號(hào);對(duì)采集的信號(hào)分別進(jìn)行時(shí)域分析、振動(dòng)信號(hào)進(jìn)行小波分析、AE信號(hào)進(jìn)行多分辨率分析并提取與刀具磨損相關(guān)性強(qiáng)的特征作為原始特征。其次，采用Relief-F算法對(duì)原始特征進(jìn)行特征過(guò)濾得到最終特征樣本。最后，將訓(xùn)練樣本輸入建立的ELM模型進(jìn)行訓(xùn)練，并輸入測(cè)試樣本查看仿真結(jié)果。模型的正確識(shí)別率為96.296%，表明建立的ELM模型對(duì)車(chē)削刀具狀
軟件 2020年6期2020-08-13
- 基于MDM的KELM學(xué)習(xí)器選擇性集成網(wǎng)絡(luò)入侵檢測(cè)
絡(luò)入侵; 極限學(xué)習(xí)機(jī); 異常檢測(cè); 集成學(xué)習(xí)中圖分類(lèi)號(hào)： TP 391文獻(xiàn)標(biāo)志碼： AIntrusion Detection by Selectively Integrated Networkwith MDM - based KELM LearnerGAO Zhenghao（Institute of Electric Power Science， Guizhou Power Grid Co. Ltd.， Guiyang， Guizhou 550000， C
微型電腦應(yīng)用 2020年7期2020-07-29
- 基于極限學(xué)習(xí)機(jī)的車(chē)間節(jié)能目標(biāo)預(yù)測(cè)方法
函數(shù)有利于極限學(xué)習(xí)機(jī)（ELM）求解節(jié)能目標(biāo)。其次，對(duì)需要構(gòu)建代理模型的改進(jìn)多目標(biāo)多元宇宙優(yōu)化算法（IMOMVO）進(jìn)行計(jì)算復(fù)雜度分析，建立了基于ELM的代理模型，設(shè)計(jì)數(shù)據(jù)驅(qū)動(dòng)優(yōu)化的車(chē)間節(jié)能目標(biāo)算法框架。最后，基于均勻分布變量的拉丁超立方抽樣，形成初始化樣本，與BP算法進(jìn)行預(yù)測(cè)性能驗(yàn)證和計(jì)算時(shí)間對(duì)比兩個(gè)實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果顯示，ELM算法的擬合優(yōu)度為0.973 81，預(yù)測(cè)性能指標(biāo)均優(yōu)于BP算法。單個(gè)適應(yīng)值平均計(jì)算時(shí)間為5.4×10-4 s，僅為真實(shí)求解的18.5%。
- 一種縮小NLOS誤差提高室內(nèi)跟蹤精度的融合算法
出一種基于極限學(xué)習(xí)機(jī)（ELM）和EKF的融合方法。ELM使用EKF的狀態(tài)信息對(duì)測(cè)量值進(jìn)行分類(lèi)，確定受NLOS誤差影響的傳播路徑，然后利用該路徑訓(xùn)練的ELM對(duì)測(cè)量值進(jìn)行校正。實(shí)驗(yàn)結(jié)果表明，該算法與傳統(tǒng)算法相比精確度提高了43.2%，可以有效縮小NLOS誤差。關(guān)鍵詞：擴(kuò)展卡爾曼濾波器;極限學(xué)習(xí)機(jī);非視距傳播;誤差抑制DOI：10.11907/rjdk.191951 開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：中圖分類(lèi)號(hào)：TP312文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672
軟件導(dǎo)刊 2020年6期2020-07-24
- 基于極限學(xué)習(xí)機(jī)算法的圖書(shū)館讀者借閱行為分析
此提出基于極限學(xué)習(xí)機(jī)算法分析圖書(shū)館讀者借閱行為。但是極限學(xué)習(xí)機(jī)算法輸入權(quán)重與隱層閾值隨機(jī)確定，行為分析結(jié)果隨機(jī)性強(qiáng)、可靠程度低，所以采用高適應(yīng)度值遺傳算法確定極限學(xué)習(xí)機(jī)算法的輸入權(quán)值與閾值。高適應(yīng)度值遺傳算法選擇算子復(fù)制兩份適應(yīng)度值最優(yōu)個(gè)體、復(fù)制一份適應(yīng)度值較優(yōu)個(gè)體作為遺傳種群;交叉算子選取2個(gè)適應(yīng)度值最優(yōu)新個(gè)體開(kāi)始變異操作;確定算法最優(yōu)輸入權(quán)值與閾值后，提取讀者借閱行為特征作為訓(xùn)練樣本，構(gòu)建圖書(shū)館讀者借閱行為分析模型，測(cè)試樣本代入模型得到讀者借閱行為分析
現(xiàn)代電子技術(shù) 2020年5期2020-07-23
- 基于IPSO睧LM的電磁供暖室內(nèi)溫度預(yù)測(cè)
子群算法;極限學(xué)習(xí)機(jī)在電磁供暖室內(nèi)，供暖溫度存在著滯后性[1]，建筑物蓄熱性能、室外溫度及歷史溫度等因素都會(huì)影響室內(nèi)下一時(shí)刻的溫度。故能否建立良好的室內(nèi)溫度預(yù)測(cè)模型的對(duì)后續(xù)電磁供暖系統(tǒng)的控制性能的好壞至關(guān)重要。在對(duì)電磁供暖室內(nèi)溫度的影響因素進(jìn)行分析之后，明確ELM預(yù)測(cè)模型的輸入輸出變量。然后再分別用PSO和IPSO優(yōu)化ELM的連接權(quán)值以及隱含層閾值。最后通過(guò)仿真驗(yàn)證了IPSO優(yōu)化的效果較好。1 ELM模型ELM是由新加坡的著名學(xué)者黃廣斌[2]在2004年所
科技風(fēng) 2020年18期2020-07-06
- 基于GA-ELM算法的城市短期用水預(yù)測(cè)
遺傳算法一極限學(xué)習(xí)機(jī)的城市短期用水預(yù)測(cè)方法。在引入相關(guān)影響因素的基礎(chǔ)上，用擅長(zhǎng)全局搜索和并行搜索的遺傳算法對(duì)極限學(xué)習(xí)機(jī)參數(shù)進(jìn)行尋優(yōu)。結(jié)果表明，本模型的預(yù)測(cè)精度較高，日均絕對(duì)百分比誤差僅為2.19%，具有較強(qiáng)的實(shí)用價(jià)值，為未來(lái)水資源實(shí)時(shí)調(diào)度提供理論依據(jù)。關(guān)鍵詞：遺傳算法;極限學(xué)習(xí)機(jī);短期用水量;預(yù)測(cè)模型中圖分類(lèi)號(hào)：TV213 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2020）13-0217-041引言水利是國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展所必需的基本要素，為社會(huì)的發(fā)展
電腦知識(shí)與技術(shù) 2020年13期2020-07-04
- 基于WPA-SVM的多肉植物分類(lèi)識(shí)別
向量機(jī); 極限學(xué)習(xí)機(jī); 神經(jīng)網(wǎng)絡(luò); 多肉植物中圖分類(lèi)號(hào)： TP391.1文獻(xiàn)標(biāo)志碼： AAbstract： In order to improve the classification efficiency and recognition precision of succulent plants， a succulent plant classification algorithm based on the composite features of s
微型電腦應(yīng)用 2020年6期2020-06-29
- 基于Bagging與超限學(xué)習(xí)機(jī)的腦力負(fù)荷識(shí)別模型
ging和極限學(xué)習(xí)機(jī)相結(jié)合的集成算法。用極限學(xué)習(xí)機(jī)（ELM）作為底層弱分類(lèi)器，通過(guò)多數(shù)投票方式?jīng)Q定最終類(lèi)別的標(biāo)簽，從而構(gòu)建最終強(qiáng)分類(lèi)器。實(shí)驗(yàn)結(jié)果表明，在腦力負(fù)荷識(shí)別研究問(wèn)題上，該集成算法的分類(lèi)準(zhǔn)確率在4個(gè)被試數(shù)據(jù)集上分別達(dá)到了96.17%、96.02%、92.50%和93.50%。相較于傳統(tǒng)的ELM算法，分類(lèi)準(zhǔn)確率在4個(gè)被試數(shù)據(jù)集上分別提升了1.59%、1.34%、2.86%和1.80%。并且新算法在精確率、靈敏度和特異度等評(píng)估標(biāo)準(zhǔn)上均高于傳統(tǒng)ELM分類(lèi)器
軟件導(dǎo)刊 2020年3期2020-05-28
- 基于小波變換和極限學(xué)習(xí)機(jī)的網(wǎng)絡(luò)流量預(yù)測(cè)模型
小波變換和極限學(xué)習(xí)機(jī)的網(wǎng)絡(luò)流量預(yù)測(cè)模型。首先分析了當(dāng)前國(guó)內(nèi)外網(wǎng)絡(luò)流量預(yù)測(cè)研究現(xiàn)狀，找到引起網(wǎng)絡(luò)流量預(yù)測(cè)準(zhǔn)確性差的原因;然后采用小波變換對(duì)原始網(wǎng)絡(luò)流量時(shí)間序列進(jìn)行去噪，得到無(wú)噪聲的網(wǎng)絡(luò)流量時(shí)間序列;最后采用極限學(xué)習(xí)機(jī)對(duì)網(wǎng)絡(luò)流量時(shí)間序列進(jìn)行建模，得到相應(yīng)的預(yù)測(cè)結(jié)果。與當(dāng)前經(jīng)典的網(wǎng)絡(luò)流量預(yù)測(cè)模型在相同環(huán)境下進(jìn)行對(duì)照測(cè)試，測(cè)試結(jié)果分析表明，小波變換和極限學(xué)習(xí)機(jī)的網(wǎng)絡(luò)流量預(yù)測(cè)精度達(dá)到了95%以上，網(wǎng)絡(luò)流量預(yù)測(cè)誤差得到了有效的控制，而且提升了網(wǎng)絡(luò)流量預(yù)測(cè)效率，預(yù)測(cè)結(jié)果
微型電腦應(yīng)用 2020年1期2020-05-11
- 基于極限學(xué)習(xí)機(jī)的機(jī)械設(shè)備故障診斷研究
了一種基于極限學(xué)習(xí)機(jī)的故障診斷方法。首先，將機(jī)械設(shè)備傳感器收集到的數(shù)據(jù)進(jìn)行規(guī)范化處理，并采用過(guò)采樣方法解決樣本數(shù)據(jù)類(lèi)別不平衡的問(wèn)題;其次，通過(guò)預(yù)處理后的訓(xùn)練數(shù)據(jù)構(gòu)建極限學(xué)習(xí)機(jī)模型，采用增量式方法確定隱層節(jié)點(diǎn)最佳數(shù)目。在氣壓系統(tǒng)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，與其他機(jī)器學(xué)習(xí)方法相比，基于極限學(xué)習(xí)機(jī)的機(jī)械設(shè)備故障診斷方法在訓(xùn)練速率和故障查全率上更具優(yōu)越性。關(guān)鍵詞：極限學(xué)習(xí)機(jī);過(guò)采樣;隱層節(jié)點(diǎn);故障診斷;神經(jīng)網(wǎng)絡(luò);反向傳播中圖分類(lèi)號(hào)：TP39文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：20
物聯(lián)網(wǎng)技術(shù) 2020年4期2020-05-09
- 基于BOA-ELM的混凝土抗壓強(qiáng)度預(yù)測(cè)研究
貝葉斯優(yōu)化極限學(xué)習(xí)機(jī)（BOA-ELM）的混凝土抗壓強(qiáng)度預(yù)測(cè)方法。首先，分析了混凝土拌和過(guò)程中對(duì)抗壓強(qiáng)度預(yù)測(cè)值實(shí)時(shí)獲得的需求。以各物料的用量為分析基礎(chǔ)，28天標(biāo)準(zhǔn)養(yǎng)護(hù)后混凝土抗壓強(qiáng)度值為預(yù)測(cè)目標(biāo)，設(shè)計(jì)了基于極限學(xué)習(xí)機(jī)的強(qiáng)度預(yù)測(cè)模型。其次，為進(jìn)一步提高模型的穩(wěn)定性以及準(zhǔn)確行，提出基于貝葉斯優(yōu)化的極限學(xué)習(xí)機(jī)模型，根據(jù)模型超參數(shù)的分布特征，以高斯過(guò)程作為超參的先驗(yàn)分布，預(yù)測(cè)誤差最小化作為目標(biāo)，尋找最優(yōu)的模型超參。最后，在實(shí)際施工產(chǎn)生的C50標(biāo)號(hào)混凝土數(shù)據(jù)集上測(cè)試文
計(jì)算技術(shù)與自動(dòng)化 2020年1期2020-04-09
- 基于多參數(shù)和極限學(xué)習(xí)機(jī)的圖像質(zhì)量評(píng)價(jià)方法研究
于多參數(shù)和極限學(xué)習(xí)機(jī)的圖像質(zhì)量評(píng)價(jià)方法，該方法融合了傳統(tǒng)統(tǒng)計(jì)參數(shù)（PSNR）、基于結(jié)構(gòu)相似度的參數(shù)（SSIM）和基于自然場(chǎng)景分析的參數(shù)（VIF和FSIM），將這些參數(shù)作為極限學(xué)習(xí)機(jī)的輸入，擬合出這些特征參數(shù)和人類(lèi)主觀評(píng)價(jià)分值的內(nèi)在關(guān)系，挖掘其內(nèi)在規(guī)律。本方法和采用單獨(dú)參數(shù)評(píng)價(jià)的算法進(jìn)行對(duì)比分析，在TID圖像質(zhì)量評(píng)價(jià)庫(kù)上的實(shí)驗(yàn)結(jié)果表明，該方法得到了比單獨(dú)參數(shù)和BP方法更好的主觀感知一致性。關(guān)鍵詞：圖像質(zhì)量評(píng)價(jià);多參數(shù);極限學(xué)習(xí)機(jī);函數(shù)擬合中圖分類(lèi)號(hào)：TP39
計(jì)算技術(shù)與自動(dòng)化 2020年1期2020-04-09
- 多層ELM分區(qū)域可見(jiàn)光室內(nèi)定位算法
種基于多層極限學(xué)習(xí)機(jī)的分區(qū)域定位算法，并通過(guò)仿真實(shí)驗(yàn)驗(yàn)證了算法的有效性. 首先，對(duì)整體的實(shí)驗(yàn)區(qū)域建立第1層極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)，計(jì)算出整體的定位誤差. 其次，根據(jù)定位誤差的大小和分布特征建立第2層極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)，將整體實(shí)驗(yàn)區(qū)域劃分為邊界區(qū)域和內(nèi)部區(qū)域. 對(duì)提取出的邊界區(qū)域建立第3層極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)，計(jì)算出邊界區(qū)域的定位誤差. 最后將邊界區(qū)域的定位誤差更新到整體的定位誤差中，以實(shí)現(xiàn)定位. 實(shí)驗(yàn)結(jié)果表明，該算法的整體平均定位誤差為2.79 cm. 與接收信
- 一種改進(jìn)的稀疏編碼模型圖像分類(lèi)算法
尺度小波核極限學(xué)習(xí)機(jī)進(jìn)行圖像分類(lèi)。采用該方法對(duì)wine數(shù)據(jù)集與微軟Corel1K圖像庫(kù)進(jìn)行測(cè)試，實(shí)驗(yàn)表明，較單尺度小波核，多尺度小波核具有更好的分類(lèi)效果。同時(shí)，多尺度小波核極限學(xué)習(xí)機(jī)的分類(lèi)性能優(yōu)于多尺度支持向量機(jī)、支持向量機(jī)與極限學(xué)習(xí)機(jī)的分類(lèi)性能。關(guān)鍵詞： 稀疏編碼;圖像分類(lèi);極限學(xué)習(xí)機(jī);支持向量機(jī)【Abstract】 According to the traditional sparse coding method for image classific
智能計(jì)算機(jī)與應(yīng)用 2019年5期2019-12-05
- 基于結(jié)構(gòu)化遮擋編碼和極限學(xué)習(xí)機(jī)的局部遮擋人臉識(shí)別
OC）結(jié)合極限學(xué)習(xí)機(jī)（ELM）的算法來(lái)處理人臉識(shí)別中的遮擋問(wèn)題。首先，使用SOC去除圖像上的遮擋物，將遮擋物體與人臉?lè)蛛x開(kāi);同時(shí)，通過(guò)局部性約束字典（LCD）來(lái)估計(jì)遮擋物的位置，建立遮擋字典和人臉字典。然后，將建立好的人臉字典矩陣進(jìn)行歸一化處理，并利用ELM對(duì)歸一化的數(shù)據(jù)進(jìn)行分類(lèi)識(shí)別。最后，在AR人臉庫(kù)上進(jìn)行的仿真實(shí)驗(yàn)結(jié)果表明，所提方法對(duì)不同遮擋物和不同區(qū)域遮擋的圖像具有較好的識(shí)別率和魯棒性。關(guān)鍵詞：人臉識(shí)別;遮擋;結(jié)構(gòu)化遮擋編碼;局部性約束字典;極限學(xué)習(xí)
計(jì)算機(jī)應(yīng)用 2019年10期2019-11-15
- 基于CEEMD-CSO-ELM的短期風(fēng)速預(yù)測(cè)
叉算法優(yōu)化極限學(xué)習(xí)機(jī)（CSO-ELM）的預(yù)測(cè)模型;最后疊加所有序列的預(yù)測(cè)值作為最終的預(yù)測(cè)結(jié)果。本文對(duì)荷蘭某風(fēng)電場(chǎng)的實(shí)測(cè)小時(shí)風(fēng)速數(shù)據(jù)集進(jìn)行大量實(shí)驗(yàn)得出結(jié)果，來(lái)驗(yàn)證所提方法的有效性。關(guān)鍵詞：互補(bǔ)經(jīng)驗(yàn)?zāi)B(tài)分解;縱橫交叉算法;極限學(xué)習(xí)機(jī);風(fēng)速預(yù)測(cè)中圖分類(lèi)號(hào)：TM614;TP18? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2019）20-0012-04Abstract：Successful integration and application of
現(xiàn)代信息科技 2019年20期2019-10-21
- 基于光譜和Gabor紋理信息融合的油桃品種識(shí)別
SVM）和極限學(xué)習(xí)機(jī)（extreme learning machine，簡(jiǎn)稱(chēng)ELM）油桃品種判別模型。結(jié)果表明，基于融合特征的LS-SVM和ELM模型識(shí)別率分別為94.7%、92.1%，較單獨(dú)采用光譜信息和紋理信息的識(shí)別率都高，說(shuō)明采用光譜信息和Gabor紋理信息融合的方法可以實(shí)現(xiàn)油桃品種判別，為農(nóng)產(chǎn)品無(wú)損檢測(cè)提供參考價(jià)值。關(guān)鍵詞：油桃品種識(shí)別;光譜信息;Gabor紋理信息;主成分分析;最小二乘支持向量機(jī);極限學(xué)習(xí)機(jī)油桃具有極高的營(yíng)養(yǎng)價(jià)值，它含有人體所必需
江蘇農(nóng)業(yè)科學(xué) 2019年6期2019-09-25
- 基于關(guān)鍵幀與多特征融合的煙霧識(shí)別算法研究
種特征送入極限學(xué)習(xí)機(jī)（ELM）中進(jìn)行識(shí)別。實(shí)驗(yàn)結(jié)果表明，該算法能夠有效剔除視頻幀間的冗余圖像幀，提高了煙霧識(shí)別算法的正確率和識(shí)別效率。關(guān)鍵詞 ：煙霧檢測(cè);主成分分析;極限學(xué)習(xí)機(jī);圖像識(shí)別中圖分類(lèi)號(hào)： TP18? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2019）21-0180-02開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：火在我們?nèi)祟?lèi)的生活中無(wú)處不在，在帶給我經(jīng)濟(jì)效益的同時(shí)也帶了人生財(cái)產(chǎn)嚴(yán)重?fù)p失的問(wèn)題。因此火災(zāi)的預(yù)防和報(bào)警受到多方重視[1，2
電腦知識(shí)與技術(shù) 2019年21期2019-09-24
- 基于極限學(xué)習(xí)機(jī)的多傳感器旋轉(zhuǎn)機(jī)械故障診斷
了一類(lèi)基于極限學(xué)習(xí)機(jī)的多傳感器融合故障識(shí)別方法。首先，利用FFT對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，并對(duì)多傳感器的預(yù)處理結(jié)果進(jìn)行加權(quán)融合，以單傳感器歷史數(shù)據(jù)識(shí)別得到的正確率為融合系數(shù)。然后，對(duì)極限學(xué)習(xí)機(jī)進(jìn)行訓(xùn)練和測(cè)試。結(jié)果表明基于融合數(shù)據(jù)特征的識(shí)別率表現(xiàn)優(yōu)于基于單傳感器數(shù)據(jù)特征的識(shí)別率。關(guān)鍵詞：多傳感器融合;極限學(xué)習(xí)機(jī);旋轉(zhuǎn)機(jī)械故障識(shí)別中圖分類(lèi)號(hào)：TH17? ? ? ? ?文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-2945（2019）23-0128-02Abstract： In
科技創(chuàng)新與應(yīng)用 2019年23期2019-09-04
- 自然場(chǎng)景下的交通標(biāo)志識(shí)別系統(tǒng)
部感受野的極限學(xué)習(xí)機(jī)識(shí)別網(wǎng)絡(luò)對(duì)43類(lèi)標(biāo)志進(jìn)行識(shí)別。實(shí)驗(yàn)結(jié)果證明，該系統(tǒng)對(duì)自然背景下的交通標(biāo)志圖像達(dá)到良好的識(shí)別效果，并且具有一定的魯棒性。關(guān)鍵詞： 智能交通; 交通標(biāo)志識(shí)別系統(tǒng); 綠色減除分割算法; Gist?RGB特征; 極限學(xué)習(xí)機(jī); 局部感受野中圖分類(lèi)號(hào)： TN911.73?34; U491.52 ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ?文章編號(hào)： 1004?373X（2019）09?0123?04Traff
現(xiàn)代電子技術(shù) 2019年9期2019-09-02
- 城市高層建筑智能火災(zāi)多感監(jiān)測(cè)系統(tǒng)研究
器網(wǎng)絡(luò); 極限學(xué)習(xí)機(jī); 高層建筑; 多感監(jiān)測(cè); 監(jiān)測(cè)模型; 仿真驗(yàn)證中圖分類(lèi)號(hào)： TN915?34; TP212? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼： A? ? ? ? ? ? ? ? ? ? 文章編號(hào)： 1004?373X（2019）16?0067?040? 引? 言城市高層建筑不僅是城市進(jìn)步的標(biāo)志，也是解決城市日益增多人口居住生活與工作的重要建筑環(huán)境，其安全受到了廣泛關(guān)注。高層建筑設(shè)計(jì)復(fù)雜、建筑面積大、居住或者工作人員較多、可燃物多，存
現(xiàn)代電子技術(shù) 2019年16期2019-08-23
- 融合螢火蟲(chóng)方法的多標(biāo)簽懶惰學(xué)習(xí)算法
VD）與核極限學(xué)習(xí)機(jī)（ELM）進(jìn)行線性分類(lèi)。該算法同時(shí)考慮了標(biāo)簽信息與相似度信息從而提高了魯棒性。實(shí)驗(yàn)結(jié)果表明，所提算法較其他的多標(biāo)簽學(xué)習(xí)算法有一定優(yōu)勢(shì)，并使用統(tǒng)計(jì)假設(shè)檢驗(yàn)與穩(wěn)定性分析進(jìn)一步說(shuō)明所提出算法的合理性與有效性。關(guān)鍵詞：多標(biāo)簽學(xué)習(xí);螢火蟲(chóng)方法;標(biāo)簽相關(guān)性;多標(biāo)簽懶惰學(xué)習(xí)算法;極限學(xué)習(xí)機(jī)中圖分類(lèi)號(hào)：TP181文獻(xiàn)標(biāo)志碼：AAbstract： The existing Improved Multilabel Lazy Learning Approac
計(jì)算機(jī)應(yīng)用 2019年5期2019-08-01
- 適用于數(shù)據(jù)分類(lèi)的極限學(xué)習(xí)機(jī)優(yōu)化算法
要：針對(duì)極限學(xué)習(xí)機(jī)參數(shù)優(yōu)化問(wèn)題，提出量子遺傳算法優(yōu)化極限學(xué)習(xí)機(jī)的方法（QGA-ELM）。在該方法中，對(duì)ELM的輸入權(quán)值和隱含層閾值采用量子比特編碼，并將其映射為QGA的染色體，QGA的適應(yīng)度函數(shù)為對(duì)應(yīng)ELM的分類(lèi)精度;通過(guò)QGA的量子旋轉(zhuǎn)門(mén)優(yōu)化出輸入權(quán)值與隱含層閾值，以此訓(xùn)練出分類(lèi)精度更高的ELM，從而改善ELM的泛化性能。通過(guò)ELM和QGA-ELM對(duì)數(shù)據(jù)集的仿真結(jié)果對(duì)比表明，QGA-ELM有效地提升了ELM網(wǎng)絡(luò)的分類(lèi)精度。關(guān)鍵詞：極限學(xué)習(xí)機(jī);量子遺傳算
軟件導(dǎo)刊 2019年6期2019-07-08
- 基于極限學(xué)習(xí)機(jī)的蓄電池荷電狀態(tài)估計(jì)
出一種基于極限學(xué)習(xí)機(jī)的SOC估計(jì)方法。首先，建立蓄電池的二階戴維南（Thevenin）模型，針對(duì)開(kāi)路電壓與電池SOC之間的非線性關(guān)系，采用極限學(xué)習(xí)機(jī)模型代替多項(xiàng)式模型，以提高擬合精度。根據(jù)實(shí)時(shí)測(cè)量數(shù)據(jù)，基于極限學(xué)習(xí)機(jī)模型確定電池模型的參數(shù)。結(jié)果表明，極限學(xué)習(xí)機(jī)模型在估計(jì)電池SOC時(shí)具有很高的精確度和收斂速度。關(guān)鍵詞：極限學(xué)習(xí)機(jī);蓄電池;荷電狀態(tài)1、前言蓄電池儲(chǔ)能系統(tǒng)在機(jī)車(chē)系統(tǒng)中有十分重要的作用，它可以提供短時(shí)供電、用于能量緩沖、改善電能質(zhì)量，在機(jī)車(chē)啟動(dòng)過(guò)程
科學(xué)與財(cái)富 2019年34期2019-06-29
- 基于主成分分析法和極限學(xué)習(xí)機(jī)的尿沉渣圖像識(shí)別算法研究
PCA）和極限學(xué)習(xí)機(jī)（ELM）的識(shí)別和統(tǒng)計(jì)方法。該方法通過(guò)PCA對(duì)樣本進(jìn)行特征提取和降維后輸入到ELM進(jìn)行訓(xùn)練，根據(jù)訓(xùn)練得出的模型與未經(jīng)PCA處理的樣本訓(xùn)練的模型進(jìn)行檢測(cè)效果對(duì)比。實(shí)驗(yàn)結(jié)果表明，使用PCA處理后的樣本訓(xùn)練得出的模型具有更高的識(shí)別準(zhǔn)確度和穩(wěn)定性，同時(shí)訓(xùn)練時(shí)間大幅減少。關(guān)鍵詞： 尿沉渣檢測(cè); 尿沉渣成分分類(lèi); 極限學(xué)習(xí)機(jī); 主成分分析; 圖像識(shí)別; 特征提取; 醫(yī)學(xué)顯微圖像中圖分類(lèi)號(hào)： TN911.73?34; TP183 ? ? ? ? ?
現(xiàn)代電子技術(shù) 2019年11期2019-06-19
- 基于壓縮自編碼融合極限學(xué)習(xí)機(jī)的柑橘黃龍病鑒別方法
自編碼融合極限學(xué)習(xí)機(jī)（Contractive auto-encoder combined extreme learning machine，CAE-ELM）的柑橘黃龍病鑒別方法。此方法通過(guò)ELM代替CAE頂層的Softmax分類(lèi)器和反向微調(diào)階段，達(dá)到減少算法運(yùn)行時(shí)間同時(shí)提高模型的穩(wěn)定性及鑒別能力的目的。其中，CAE實(shí)現(xiàn)了樣本深層特征提取，ELM可實(shí)現(xiàn)分類(lèi)鑒別。為了評(píng)估CAE-ELM模型性能，以不同比例的柑橘葉片近紅外光譜數(shù)據(jù)作為訓(xùn)練集進(jìn)行實(shí)驗(yàn)，采用波形疊加
分析化學(xué) 2019年5期2019-06-13
- 基于極限學(xué)習(xí)機(jī)模型的內(nèi)陸湖泊水質(zhì)遙感監(jiān)測(cè)研究
整，提出將極限學(xué)習(xí)機(jī)（Extreme Learning Machine， ELM）方法用于內(nèi)陸湖泊水質(zhì)遙感監(jiān)測(cè)，該算法不但可以簡(jiǎn)化參數(shù)選擇過(guò)程，而且可以提高網(wǎng)絡(luò)的訓(xùn)練速度。在確定了最優(yōu)參數(shù)的基礎(chǔ)上，建立了葉綠素a濃度（表征水體富營(yíng)養(yǎng)化程度的重要參數(shù)）預(yù)測(cè)模型，并且將預(yù)測(cè)結(jié)果與BP和SVM進(jìn)行比較。實(shí)驗(yàn)結(jié)果表明：該方法可以顯著提高模型的學(xué)習(xí)速度，且相比BP和SVM模型具有更好的泛化性能。實(shí)驗(yàn)結(jié)果證明了極限學(xué)習(xí)機(jī)應(yīng)用于水質(zhì)遙感監(jiān)測(cè)的可行性和有效性。關(guān)鍵詞：機(jī)器
科學(xué)與財(cái)富 2018年18期2018-08-09
- 一種快速魯棒的加權(quán)壓縮跟蹤方法
很好，同時(shí)極限學(xué)習(xí)機(jī)的使用保證了跟蹤速度的提升。實(shí)驗(yàn)結(jié)果表明算法的跟蹤準(zhǔn)確度很高，速度快，魯棒性好，特別適用于一些存在著快速運(yùn)動(dòng)以及遮擋的場(chǎng)合。【關(guān)鍵詞】目標(biāo)跟蹤；加權(quán)壓縮特征；極限學(xué)習(xí)機(jī)中圖分類(lèi)號(hào)： TP391.4 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 2095-2457（2018）08-0022-003A fast and robust weighted compressive tracking methodLI Xuan1 LIU Qian-yu2（1.Xi
科技視界 2018年8期2018-06-08
- 基于OSELM的無(wú)刷直流電機(jī)無(wú)位置傳感器控制
于在線貫序極限學(xué)習(xí)機(jī)（OSELM）的無(wú)刷直流電機(jī)無(wú)位置傳感器控制方法。該方法構(gòu)建了一個(gè)單隱層前饋神經(jīng)網(wǎng)絡(luò)，經(jīng)分析將定子端電壓和電流作為OSELM網(wǎng)絡(luò)的輸入信號(hào)，逆變電路的邏輯換相信號(hào)作為OSELM網(wǎng)絡(luò)的輸出，將電流速度雙閉環(huán)控制得到的PWM波形與OSELM網(wǎng)絡(luò)輸出進(jìn)行邏輯處理得到功率開(kāi)關(guān)管的控制信號(hào)，由此實(shí)現(xiàn)無(wú)刷直流電機(jī)的無(wú)位置傳感器控制。網(wǎng)絡(luò)參數(shù)通過(guò)離線訓(xùn)練得到，將訓(xùn)練好的網(wǎng)絡(luò)模型應(yīng)用到電機(jī)中進(jìn)行在線測(cè)試。將該方法與傳統(tǒng)反向傳播（BP）神經(jīng)網(wǎng)絡(luò)方法進(jìn)行比
電機(jī)與控制學(xué)報(bào) 2018年11期2018-05-14
- 基于數(shù)據(jù)驅(qū)動(dòng)的人力資源成本評(píng)估算法
特點(diǎn)，通過(guò)極限學(xué)習(xí)機(jī)建立人力資源成本評(píng)估算法，并通過(guò)粒子群算法對(duì)極限學(xué)習(xí)機(jī)進(jìn)行優(yōu)化，最后進(jìn)行了人力資源成本評(píng)估仿真實(shí)驗(yàn)。結(jié)果表明，所提算法可以反映人力資源成本的變化特點(diǎn)，改善了人力資源成本的評(píng)估結(jié)果，獲得了比其他人力資源成本評(píng)估模型更優(yōu)的結(jié)果，具有廣泛的應(yīng)用前景。關(guān)鍵詞： 人力管理; 資源成本; 評(píng)估模型; 數(shù)據(jù)驅(qū)動(dòng); 極限學(xué)習(xí)機(jī); 粒子群算法中圖分類(lèi)號(hào)： TN911.1?34; TP393 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2018）09
現(xiàn)代電子技術(shù) 2018年9期2018-05-05
- 混沌理論和機(jī)器學(xué)習(xí)算法的運(yùn)動(dòng)員成績(jī)預(yù)測(cè)模型
習(xí)算法——極限學(xué)習(xí)機(jī)設(shè)計(jì)運(yùn)動(dòng)員成績(jī)預(yù)測(cè)模型。仿真實(shí)驗(yàn)結(jié)果表明，與當(dāng)前運(yùn)動(dòng)員成績(jī)預(yù)測(cè)模型相比，所設(shè)計(jì)模型的運(yùn)動(dòng)員成績(jī)預(yù)測(cè)結(jié)果更加可靠，而且運(yùn)動(dòng)員成績(jī)預(yù)測(cè)精度更高，可以應(yīng)用于體育科學(xué)訓(xùn)練計(jì)劃制定。關(guān)鍵詞： 運(yùn)動(dòng)員成績(jī)； 機(jī)器學(xué)習(xí)算法； 混沌理論； 原始數(shù)據(jù)； 成績(jī)預(yù)測(cè)模型； 極限學(xué)習(xí)機(jī)中圖分類(lèi)號(hào)： TN911.1?34； TP391 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2018）07?0152?04Athletes performance pre
現(xiàn)代電子技術(shù) 2018年7期2018-04-04
- 基于S變換和PSO-ELM的牽引系統(tǒng)擾動(dòng)分類(lèi)
PSO優(yōu)化極限學(xué)習(xí)機(jī)（ELM），并通過(guò)學(xué)習(xí)訓(xùn)練對(duì)牽引系統(tǒng)擾動(dòng)信號(hào)分類(lèi)，得到較高的檢測(cè)性能和泛化性能。仿真結(jié)果表明，本文的方法提高了牽引系統(tǒng)電能質(zhì)量擾動(dòng)識(shí)別能力且分類(lèi)準(zhǔn)確率高、抗噪性強(qiáng)?！娟P(guān)鍵詞】S變換 極限學(xué)習(xí)機(jī) 粒子群算法特征 分類(lèi)傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)，支持向量機(jī)是常用的決策分析工具，然而這些方法訓(xùn)練慢，泛化能力弱。ELM是一種覆蓋單層前饋神經(jīng)網(wǎng)絡(luò)，具有優(yōu)良的分類(lèi)性能，其性能不依賴(lài)迭代過(guò)程。自從第一次提出，ELM已經(jīng)應(yīng)用于分類(lèi)和回歸模型以及計(jì)算機(jī)視覺(jué)、生物醫(yī)
電子技術(shù)與軟件工程 2018年12期2018-02-25
- 一種新的表情識(shí)別方法
，最后采用極限學(xué)習(xí)機(jī)進(jìn)行分類(lèi)識(shí)別，實(shí)驗(yàn)結(jié)果說(shuō)明本文的算法識(shí)別率高、計(jì)算速度快、有很大的優(yōu)越性?！娟P(guān)鍵詞】人臉表情識(shí)別 LBP 極限學(xué)習(xí)機(jī)1 引言人臉表情識(shí)別作為情感識(shí)別的一個(gè)方面，在人際交流中起到非常重要的作用，不僅是展示情緒，更是傳播情感信息與協(xié)調(diào)雙方關(guān)系的重要方式，因而人臉識(shí)別技術(shù)成為當(dāng)今研究的一個(gè)熱點(diǎn)。人面部表情識(shí)別的過(guò)程一般包括三個(gè)步驟：人臉定位，特征提取和分類(lèi)識(shí)別，而本文的研究重點(diǎn)放在虛線框內(nèi)所示的特征提取和分類(lèi)識(shí)別步驟，它們決定著誤差的大小即分
電子技術(shù)與軟件工程 2018年6期2018-02-23
- 一種基于遺傳算法的極限學(xué)習(xí)機(jī)改進(jìn)算法研究
：針對(duì)傳統(tǒng)極限學(xué)習(xí)機(jī)（ELM）缺乏有效的訓(xùn)練方法、應(yīng)用時(shí)預(yù)測(cè)精度不理想這一弱點(diǎn)，提出了一種基于遺傳算法（GA）訓(xùn)練極限學(xué)習(xí)機(jī)（GA-ELM）的方法。在該方法中，ELM的輸入權(quán)值和隱藏層節(jié)點(diǎn)閾值映射為GA的染色體向量，GA的適應(yīng)度函數(shù)對(duì)應(yīng)ELM的訓(xùn)練誤差；通過(guò)GA的遺傳操作訓(xùn)練ELM，選出使ELM網(wǎng)絡(luò)誤差最小的輸入權(quán)值和閾值，從而改善ELM的泛化性能。通過(guò)與ELM、I-ELM、OS-ELM、B-ELM4種方法的仿真結(jié)果對(duì)比，表明遺傳算法有效地改善了ELM網(wǎng)絡(luò)
軟件導(dǎo)刊 2017年9期2017-09-29
- 捕魚(yú)算法優(yōu)化極限學(xué)習(xí)機(jī)的運(yùn)動(dòng)員成績(jī)預(yù)測(cè)
魚(yú)算法優(yōu)化極限學(xué)習(xí)機(jī)的運(yùn)動(dòng)員成績(jī)預(yù)測(cè)模型。收集運(yùn)動(dòng)員成績(jī)的時(shí)間序列，進(jìn)行聚類(lèi)分析建立學(xué)習(xí)樣本，采用極限學(xué)習(xí)機(jī)對(duì)學(xué)習(xí)樣本進(jìn)行訓(xùn)練，并采用捕魚(yú)算法對(duì)極限學(xué)習(xí)進(jìn)行優(yōu)化，建立運(yùn)動(dòng)員成績(jī)預(yù)測(cè)模型，最后采用具體數(shù)據(jù)對(duì)運(yùn)動(dòng)員成績(jī)預(yù)測(cè)性能進(jìn)行測(cè)試。測(cè)試結(jié)果表明，該模型可以準(zhǔn)確擬合運(yùn)動(dòng)員成績(jī)的變化特點(diǎn)，獲得了較高精度的運(yùn)動(dòng)員成績(jī)預(yù)測(cè)結(jié)果，而且預(yù)測(cè)結(jié)果要顯著優(yōu)于其他模型，具有較高的實(shí)際應(yīng)用價(jià)值。關(guān)鍵詞： 捕魚(yú)算法； 極限學(xué)習(xí)機(jī)； 運(yùn)動(dòng)員成績(jī)； 預(yù)測(cè)模型中圖分類(lèi)號(hào)： TN911
現(xiàn)代電子技術(shù) 2017年15期2017-09-04
- 基于極限學(xué)習(xí)機(jī)的入土切割過(guò)程數(shù)據(jù)驅(qū)動(dòng)模型研究
ΣΣΣ基于極限學(xué)習(xí)機(jī)的入土切割過(guò)程數(shù)據(jù)驅(qū)動(dòng)模型研究申科，任曉智，王旭艷，麻芳蘭（廣西大學(xué)機(jī)械學(xué)院，廣西南寧530004）在甘蔗收割機(jī)切割過(guò)程中，入土切割能有效提高甘蔗切割質(zhì)量，但入土切割深度過(guò)大極易造成推土現(xiàn)象，不利于控制刀盤(pán)升降。為了能夠?qū)Φ侗P(pán)入土切割深度進(jìn)行有效控制，采用基于極限學(xué)習(xí)機(jī)的神經(jīng)網(wǎng)絡(luò)模型對(duì)影響刀盤(pán)負(fù)載壓力的主要參數(shù)與刀盤(pán)入土深度之間的非線性關(guān)系進(jìn)行擬合預(yù)測(cè)，并利用粒子群優(yōu)化算法（PSO）對(duì)模型參數(shù)進(jìn)行優(yōu)化以提高極限學(xué)習(xí)機(jī)的泛化能力。通過(guò)仿真
裝備制造技術(shù) 2017年6期2017-07-31
- 一種多分類(lèi)算法FELM在網(wǎng)絡(luò)入侵中的應(yīng)用
信摘 要：極限學(xué)習(xí)機(jī)（ELM）有著分類(lèi)精度高、速度快等特性，被廣泛的應(yīng)用和研究。本文提出了一種用于多分類(lèi)問(wèn)題的模糊單隱層神經(jīng)網(wǎng)絡(luò)算法FELM，同時(shí)考慮分類(lèi)器的模糊性和誤報(bào)率之間的關(guān)系。通過(guò)在入侵檢測(cè)數(shù)據(jù)集NSL-KDD上的實(shí)驗(yàn)證明：本文提出的方法有著較好的有效性和穩(wěn)定性。關(guān)鍵詞：極限學(xué)習(xí)機(jī)；多類(lèi)分類(lèi)；網(wǎng)絡(luò)入侵檢測(cè)；模糊性中圖分類(lèi)號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1671-2064（2017）09-0036-011 引言隨著網(wǎng)絡(luò)技術(shù)的日益發(fā)展，人們開(kāi)
中國(guó)科技縱橫 2017年9期2017-06-27