一种基于思维进化算法的极限学习机及其应用

极限学习机(Extreme Learning Machine,ELM)是一种新型的单隐含层前馈神经网络,与传统神经网络训练方法相比,ELM具有泛化能力好、学习速率快等优点。但随机产生的输入权值和阈值,往往会出现一些作用很小或"无用"的值,为了达到理想精度,通常需要增加隐含层节点数。思维进化极限学习机使用思维进化算法MEA优化输入权值矩阵和阈值向量,再利用MP广义逆求出输出权值矩阵,从而减小隐含层节点数,增大网络预测精度。通过函数拟合仿真实验,并同ELM算法和BP神经网络算法比较,思维进化极限学习机算法可以用较少的隐含层节点数实现更高的精度。     

基于Bagging与超限学习机的脑力负荷识别模型

为了提高脑力负荷分类准确率,提出一种将Bagging和极限学习机相结合的集成算法。用极限学习机（ELM）作为底层弱分类器,通过多数投票方式决定最终类别的标签,从而构建最终强分类器。实验结果表明,在脑力负荷识别研究问题上,该集成算法的分类准确率在4个被试数据集上分别达到了96.17%、96.02%、92.50%和93.50%。相较于传统的ELM算法,分类准确率在4个被试数据集上分别提升了1.59%、1.34%、2.86%和1.80%。并且新算法在精确率、灵敏度和特异度等评估标准上均高于传统ELM分类器。     

基于VMD-MWOA-ELM的日前光伏功率预测

为了提高光伏发电功率的预测精度,提出一种结合变分模态分解、多策略改进的鲸鱼优化算法和极限学习机的光伏日前预测方法。利用变分模态分解影响光伏功率的关键气象因素,获得不同特征规律的本征模态分量,降解了数据的随机波动性,减少了噪声的影响。引入鲸鱼优化算法,利用多策略改进的鲸鱼优化算法(MWOA)对ELM模型的权重和偏置系数进行优化,获得最终的光伏功率预测结果。仿真结果验证了所提方法的有效性与优越性。     

基于判别信息的正则极端学习机在人脸识别中的应用

极端学习机作为传统单隐层前馈神经网络（Single HiddenLayerFeedforwardNetworks,SLFNs）的拓展在模式识别领域成为新的研究热点之一,然而已有的极端学习机算法及其改进不能较好地利用数据蕴含的判别信息。针对该问题,提出一种基于判别信息的正则极端学习机（DiscriminativeInformationRegularizedExtremeLearningMachine,IELM）。对于模式识别问题,IELM引入同类离散度和异类离散度的概念,体现输入空间数据的判别信息,通过最大化异类离散度和最小化同类离散度,优化极端学习机的输出权值,从而在一定程度上提高ELM的分类性能和泛化能力。为了评价和验证所提出方法的有效性,使用Yale、YaleB、ORL、UMIST人脸数据进行实验。结果表明,该算法能够显著提高ELM的分类性能和泛化能力。     

流形正则化框架下的极限学习机预测锂电池SOC方法

为提高锂电池荷电状态建模预测的精度及泛化能力,提出一种流行正则化框架下的极限学习机建模预测方法。首先,为了解决极限学习机建立预测模型存在过拟合泛化能力弱的问题,以流形假设为依据,在数据输入空间构建图拉普拉斯算子,在其框架内求解极限学习机隐层和输出层之间的权重,达到正则优化目的。其次,针对正则化参数难以选择的问题,提出将差分进化算法融入基于流形正则化框架的极限学习机中以优化其正则化参数。最后,利用采集到的锂电池数据进行了实验验证。结果表明:该方法建立的预测模型预测锂电池SOC精度高,泛化能力强,为锂电池SOC的预测建模提供一种新方法。     

适用于数据分类的极限学习机优化算法

针对极限学习机参数优化问题,提出量子遗传算法优化极限学习机的方法（QGA-ELM）。在该方法中,对ELM的输入权值和隐含层阈值采用量子比特编码,并将其映射为QGA的染色体,QGA的适应度函数为对应ELM的分类精度;通过QGA的量子旋转门优化出输入权值与隐含层阈值,以此训练出分类精度更高的ELM,从而改善ELM的泛化性能。通过ELM和QGA-ELM对数据集的仿真结果对比表明,QGA-ELM有效地提升了ELM网络的分类精度。     

基于极限学习机算法的学困生预测研究

高校学困生预测方法的研究正越来越受到研究者的关注,但目前还没有一种成熟有效的学困生预测方法。针对该问题,文章提出了一种大数据环境下基于极限学习机的学困生预测方法,并以中国海洋大学2011级学生的学籍信息、心理测试得分、第一学期考试成绩为输入变量,以学生的学困情况为输出变量,进行了极限学习机的训练;同时,以2012级学生数据作为测试集输入极限学习机进行测试。测试结果表明,约有46%的学困生被准确预测,7%的非学困生被误判,此预测结果验证了文章所采用方法的有效性。     

一种基于遗传算法的极限学习机改进算法研究

针对传统极限学习机（ELM）缺乏有效的训练方法、应用时预测精度不理想这一弱点,提出了一种基于遗传算法（GA）训练极限学习机（GA-ELM）的方法。在该方法中,ELM的输入权值和隐藏层节点阈值映射为GA的染色体向量,GA的适应度函数对应ELM的训练误差;通过GA的遗传操作训练ELM,选出使ELM网络误差最小的输入权值和阈值,从而改善ELM的泛化性能。通过与ELM、I-ELM、OS-ELM、B-ELM4种方法的仿真结果对比,表明遗传算法有效地改善了ELM网络的预测精度和泛化能力。     

基于判别信息极限学习机的高光谱遥感图像分类

极限学习机（ELM）以其高效、快速和良好的泛化性能在模式识别领域得到广泛应用,然而在高光谱遥感图像分类中,极限学习机算法不能较好地利用数据蕴含的判别信息,限制了ELM的分类性能。为此,提出一种基于判别信息极限学习机（IELM）,IELM继承了极限学习机的优势,并在一定程度上解决了极限学习机在有限高光谱遥感图像数据样本中学习不充分的问题。高光谱遥感图像分类实验结果表明,该算法具有较好的分类效果。     

基于AdaBoost的极限学习机集成算法

针对数据类别不平衡问题,提出一种AdaBoost集成算法,用极限学习机作为基分类器,根据AdaBoost集成各个基分类器,用AdaBoost集成分类器的权值,得出最终结果。实验结果表明,该方法相较于传统ELM算法具有较高的准确率、G mean、F score及更好的灵活性。     

基于近红外的葡萄酒品质快速识别方法研究

为建立葡萄酒综合品质的快速识别方法,研究采用近红外对不同产地、葡萄品种及品牌的葡萄酒样本进行检测分析,结合极限学习机(Extreme learning machine,ELM)构建葡萄酒品质的快速识别模型.结果显示,所建ELM模型测试集对不同产地、葡萄品种及品牌葡萄酒样本的正确识别率分别为83.33%,91.67%和83.33%,效果良好.研究表明,近红外结合ELM可用于葡萄酒综合品质的快速识别.     

短期电力负荷时间序列预测的极限学习机方法

提出将一种进化的神经网络模型——极限学习机应用于短期电力负荷时间序列预测中,该方法具有模型参数设置少、训练速度快和良好的泛化能力等明显优点。通过实例分析表明该模型的预测精度要优于BP神经网络模型,同时也验证了该模型应用于短期负荷预测的有效性和可行性。     

基于数据驱动的多模型软传感器在一阶水箱中的应用

针对一类非线性系统建立精确机理模型困难、仅用单一模型构建软传感器不甚可靠等问题,提出一种基于数据驱动的多模型传感器构建方法,该方法利用数据驱动技术建立一类非线性系统RBF神经网络、最小二乘支持向量机和核部分最小二乘3种预测模型,用系统多个预测模型的融合值代替传感器的输出构建软传感器;最后将所提出的方法应用于一阶水箱液位控制系统,实验结果表明多模型软传感器预测输出和实际系统响应基本重合,说明多模型软传感器能为非线性系统建立准确的模型,对复杂工业过程的建模有一定的普适性.     

基于ELM的单相有源电力滤波器的内模控制

为了克服单相有源电力滤波器的非线性特性,在基于数据的基础上,由极限学习机建立有源滤波器非线性系统的内模和逆模,实现基于极限学习机的内模控制.根据内模控制系统稳态误差,评估内模控制系统的性能,并将极限学习机的内模控制系统与神经网络、核岭回归、支持向量机等方法进行比较分析.试验仿真表明,基于极限学习机的内模控制系统具有系统稳态误差小、鲁棒性强等特点.     

基于FLPP的极端学习机人脸识别方法

极端学习机(ELM)训练速度快、分类率高,已被广泛应用于人脸识别领域,但是在实际问题中由于数据具有较高维数,导致ELM在有限样本下存在学习不充分的问题。传统对数据进行有效维数约简的方法,没有考虑到数据之间判别信息和小样本问题。为此,提出一种强制性保留算法（FLPP）,以保持全部样本与局部样本之间的几何结构,同时类间离散度矩阵加入判别信息,因此避免了样本点重叠和小样本问题。实验结果表明,该算法有效提高了极端学习机的泛化性能和分类准确率。     

基于 EMD-PSO-ELM 算法的大坝变形预测研究

基于极限学习机（ELM）构建的大坝变形预测模型易受连接权值、隐含层阈值及隐含层节点数影响,为获取更优的形变预测值,并改善模型预测可靠性,构建一种基于 EMD-PSO-ELM 算法,考虑时效、温度、水位等多因素的大坝变形预测模型。该模型首先从时频分析出发,利用经验模态分解（EMD）将变形时间序列分解成具有不同频率特征的分量|然后利用 PSO-ELM 模型解求形变预测值,重构获得大坝形变趋势。实验结果表明,融合时效、温度、水位等多因素的 EMD-PSO-ELM 大坝变形预测模型残差均方根误差为 1.83mm,平均绝对误差为 1.57mm,平均绝对百分比误差为 1.79%,比 ELM 模型与 EMD-ELM 模型相关误差值更小,在大坝变形预测方面性能更优。     

一种缩小NLOS误差提高室内跟踪精度的融合算法

针对扩展卡尔曼滤波器（EKF）在室内环境中,非视距（NLOS）传播对 EKF 跟踪性能产生很大影响这种缺陷,提出一种基于极限学习机（ELM）和 EKF 的融合方法。ELM 使用 EKF 的状态信息对测量值进行分类,确定受 NLOS 误差影响的传播路径,然后利用该路径训练的 ELM 对测量值进行校正。实验结果表明,该算法与传统算法相比精确度提高了 43.2%,可以有效缩小 NLOS 误差。     

基于LM-BD-ESN模型的路面抗滑性能预测

针对路面抗滑性能预测任务中存在的指标单一和预测精度差等问题,在传统回声状态网络(echo state network, ESN)模型的基础上,提出了逻辑映射(logistic mapping, LM)和偏差丢失(bias dropout, BD)优化的改进回声状态网络模型(LM-BD-ESN)。其中,LM模块能够优化输入权重矩阵,从而与多变量非平稳序列数据产生更高的契合度;BD模块能够自主删除多余的存储单元,从而降低模型复杂度。针对路面材料与抗滑性能之间存在的非线性关系描述,基于三维测量仪采集路面的多组三维形貌数据,分别利用支持向量机(support vector machine, SVM)、相关向量机(relevance vector machine, RVM)、极限学习机(extreme learning machine, ELM)、ESN及LM-BD-ESN对路面抗滑数据进行分析验证。结果表明,所提LM-BD-ESN算法在预测任务中的均方根误差和平均绝对百分比误差分别为0.085 8和0.066 4,相较于其他算法具有更高的效率和精度。     

基于核极限学习机的SCR脱硝系统出口NOx浓度动态建模(英文)

为解决变负荷工况下因模型输入变量较多、相关性大导致模型复杂度增加的问题,提出了一种将核极限学习机(KELM)和主成分分析(PCA)相结合的动态建模方法,并应用于选择性催化还原(SCR)脱硝系统出口处的氮氧化物(NO_x)浓度预测.首先,将主成分分析应用于输入数据特征信息提取,并将提取信息的当前和过往序列值用作KELM模型的输入,以反映SCR出口处NO_x浓度的动态特征;然后,将SCR出口的NO_x浓度历史数据作为模型的输入,以提升模型精度;最后,利用优化算法确定模型最优参数.结果表明,与GPR、LSTM、CNN模型相比,所建动态模型的预测误差分别减少约78.4%、67.6%和59.3%,说明该模型结构可靠,能够准确预测SCR系统出口NO_x浓度.     

基于脑电信号与集成分类器的心理负荷评估

为了精确评估个体心理负荷状态,需要获取目标脑电信号数据,脑电信号是评估脑力负荷变化的重要指标。机器学习和神经网络越来越多地用于脑力负荷分类。利用脑电信号特征可在时域和频域中提取突出信息。因此提出一个结合支持向量机（SVM）与超限学习机（ELM）的混合型脑力负荷分类框架。其中支持向量机作为成员分类器,可在高维EEG特征中查找隐藏信息|超限学习机用于融合成员分类器的输出。将ELM-SVM模型与经典脑力负荷分类器进行比较,得出该模型训练精度准确率为1,且测试精度提升0.1个百分点。