基于核极限学习机的标记分布学习

标记分布学习作为一种新的学习范式,利用最大熵模型构造的专用化算法能够很好地解决某些标记多样性问题,但是计算量巨大。基于此,引入运行速度快、稳定性更高的核极限学习机模型,提出基于核极限学习机的标记分布学习算法（KELM-LDL）。首先在极限学习机算法中通过RBF核函数将特征映射到高维空间,然后对原标记空间建立KELM回归模型求得输出权值,最后通过模型计算预测未知样本的标记分布。与现有算法在各领域不同规模数据集的实验表明,实验结果均优于多个对比算法,统计假设检验进一步说明KELM-LDL算法的有效性和稳定性。     

改进粒子群优化的极限学习机软测量建模方法

工业过程常含有显著的非线性、时变等复杂特性,传统的极限学习机有时无法充分利用数据信息,所建软测量模型预测性能较差。为了提高极限学习机的泛化能力和预测精度,提出一种改进粒子群优化的极限学习机软测量建模方法。首先,利用高斯函数正态分布的特点实现惯性权重的自适应更新,并线性变化学习因子以提高粒子群优化算法的收敛速度和搜索性能;然后将该算法用于优化极限学习机的惩罚系数和核宽,得到一组最优超参数;最后将该方法应用于脱丁烷塔过程软测量建模中。仿真结果表明,优化后的极限学习机模型预测精度有明显的提高,验证了所提方法不仅是可行的,而且具有良好的预测精度和泛化性能。     

进化贝叶斯优化的核极限学习机分类器

为解决传统核极限学习机算法参数优化困难的问题,提高分类准确度,提出一种改进贝叶斯优化的核极限学习机算法。用樽海鞘群设计贝叶斯优化框架中获取函数的下置信界策略,提高算法的局部搜索能力和寻优能力;用这种改进的贝叶斯优化算法对核极限学习机的参数进行寻优,用最优参数构造核极限学习机分类器。在UCI真实数据集上进行仿真实验,实验结果表明,相比传统贝叶斯优化算法,所提算法能提升核极限学习机的分类精度,相较其它优化算法,所提算法可行有效。     

基于高斯过程模型的异常检测算法

为检测数据中的异常信息,提出基于高斯过程模型的异常检测算法。高斯过程可以根据训练样本从先验分布转到后验分布,对核函数的超参数进行推理,预测输出具有清晰的概率解释。对基于高斯过程模型的异常检测算法进行定义和描述,用Server Computers(电脑服务器)数据进行仿真实验,结合高斯过程先验和回归理论,在实验中选取RBF作为核函数,利用目标类数据的特性构造特征向量集,在TE工业过程时序数据集上验证了该算法的适用性和有效性。     

基于BOA-ELM的混凝土抗压强度预测研究

为控制控制混凝土生产成本,在混凝土拌和期限制抗压强度不足的缺陷构建产出,可以有效降低原料的浪费,是节能降耗的关键方法之一。针对混凝土抗压强度的传统测量方法严重滞后的问题,提出了基于贝叶斯优化极限学习机(BOA-ELM)的混凝土抗压强度预测方法。首先,分析了混凝土拌和过程中对抗压强度预测值实时获得的需求。以各物料的用量为分析基础,28天标准养护后混凝土抗压强度值为预测目标,设计了基于极限学习机的强度预测模型。其次,为进一步提高模型的稳定性以及准确行,提出基于贝叶斯优化的极限学习机模型,根据模型超参数的分布特征,以高斯过程作为超参的先验分布,预测误差最小化作为目标,寻找最优的模型超参。最后,在实际施工产生的C50标号混凝土数据集上测试文中模型,并对比分析了其他预测模型和寻优算法。结果表明,结合了贝叶斯优化的极限学习机预测模型相较于经典算法具有更高的预测准确性和模型训练的高效性。     

弹性网络核极限学习机的多标记学习算法

将正则化极限学习机或者核极限学习机理论应用到多标记分类中,一定程度上提高了算法的稳定性。但目前这些算法关于损失函数添加的正则项都基于L2正则,导致模型缺乏稀疏性表达。同时,弹性网络正则化既保证模型鲁棒性且兼具模型稀疏化学习,但结合弹性网络的极限学习机如何解决多标记问题鲜有研究。基于此,本文提出一种对核极限学习机添加弹性网络正则化的多标记学习算法。首先,对多标记数据特征空间使用径向基核函数映射;随后,对核极限学习机损失函数施加弹性网络正则项;最后,采用坐标下降法迭代求解输出权值以得到最终预测标记。通过对比试验和统计分析表明,提出的算法具有更好的性能表现。     

基于极限学习机的锂电池健康状态预测

使用传统的物理化学方法来预测锂电池的健康状态效率低下且精度不高。为此,本文提出使用极限学习机来对蓄电池的健康状态进行预测。首先对提取出的特征数据集进行归一化预处理;然后,在训练集上使用网格搜索技术优化极限学习机的模型参数。在测试集上和其他方法的对比实验结果表明:基于极限学习机的锂电池健康状态预测方法性能优秀,有着实际应用的前景。     

基于优化深度极限学习机的船舶柴油机故障诊断

针对人工生态系统算法易限于局部最优、全局探索能力差等缺陷，提出一种改进人工生态系统优化算法(Improved Artificial Ecosystem-based Optimization Algorithm, IAEO)。利用Hammersley点集初始化，使个体分布更加均匀；采用非线性递减及混沌序列来提高算法的探索和开发能力；加入爆炸操作和高斯变异来提高算法跳出局部最优的能力，在四个基准函数的仿真结果表明寻优能力有较大提高。利用多层极限学习机对数据进行特征提取，在有监督部分利用混合核极限学习机进行分类。利用IAEO优化混合核函数的核参数、正则化系数和比例系数，并在标准数据集上进行性能验证。将该方法应用于船舶柴油机故障诊断，该方法有效提高了故障诊断的准确性和稳定性并表现出较好的泛化性能。     

自适应混沌粒子群算法对极限学习机参数的优化

针对极限学习机（ELM）在处理非线性数据时效果不理想,并且ELM的参数随机化不利于模型泛化的特点,提出了一种改进的极限学习机算法。结合自适应混沌粒子群（ACPSO）算法对ELM的参数进行优化,以增强算法的稳定性,提高ELM对基因表达数据分类的精度。在UCI基因数据集上进行仿真实验,实验结果表明,与探测粒子群-极限学习机（DPSO-ELM）、粒子群-极限学习机（PSO-ELM）等算法相比,自适应混沌粒子群-极限学习机（ACPSO-ELM）算法具有较好的稳定性、可靠性,且能有效提高基因分类精度。     

电网供电系统短期电力负荷预测优化仿真

对电网供电系统短期电力负荷预测模型进行优化,能提升预测结果的准确性和鲁棒性.虽然现有预测模型可以满足预测速度的要求,但预测结果的精确性和稳定性却无法保证.为了得到更加准确和稳定的预测结果,提出了细菌觅食算法优化极限学习机预测模型.首先在电力负荷样本数据中形成训练样本和预测样本集,利用细菌觅食优化算法对极限学习机预测模型中的不确定参数进行优化,然后利用改进后的模型进行电力负荷预测.新模型的优化仿真结果显示,利用细菌觅食算法优化极限学习机预测模型的预测精度和稳定性均优于传统预测模型的预测结果,该算法具有很好地实用性.     

A wavelet extreme learning machine

Extreme learning machine (ELM) has been widely used in various fields to overcome the problem of low training speed of the conventional neural network. Kernel extreme learning machine (KELM) introduces the kernel method to ELM model, which is applicable in Stat ML. However, if the number of samples in Stat ML is too small, perhaps the unbalanced samples cannot reflect the statistical characteristics of the input data, so that the learning ability of Stat ML will be influenced. At the same time, the mix kernel functions used in KELM are conventional functions. Therefore, the selection of kernel function can still be optimized. Based on the problems above, we introduce the weighted method to KELM to deal with the unbalanced samples. Wavelet kernel functions have been widely used in support vector machine and obtain a good classification performance. Therefore, to realize a combination of wavelet analysis and KELM, we introduce wavelet kernel functions to KELM model, which has a mix kernel function of wavelet kernel and sigmoid kernel, and introduce the weighted method to KELM model to balance the sample distribution, and then we propose the weighted wavelet–mix kernel extreme learning machine. The experimental results show that this method can effectively improve the classification ability with better generalization. At the same time, the wavelet kernel functions perform very well compared with the conventional kernel functions in KELM model.     

基于混沌粒子群优化核极限学习机的变压器故障诊断方法

为提高电力变压器故障诊断的准确度,提出一种基于核极限学习机(KELM)的变压器故障诊断方法,利用混沌优化改善粒子群算法的全局寻优性能。该方法首先用KELM建立故障诊断模型,再利用改进后的混沌粒子群算法(CPSO)对KELM的参数进行优化。结合油中溶解气体分析法(DGA)获得样本数据,通过实例仿真结果对比分析表明,所用算法具有更高的诊断准确率,提高了变压器故障诊断的可靠性。     

基于结合混沌纵横交叉的粒子群算法优化极限学习机的短期负荷预测

为了解决传统的单一负荷预测模型精度低以及常规智能算法在解决高维、多模复杂问题时容易陷入局部最优的问题,提出了一种结合混沌纵横交叉的粒子群算法（CC-PSO）优化极限学习机(ELM)的短期负荷预测模型。ELM的泛化能力与其输入权值和隐含层偏置密切相关,采用结合混沌纵横交叉的粒子群算法优化ELM的输入权值与隐含层偏置,提高了ELM的泛化能力和预测精度。选择广东某地区实际电网负荷数据进行分析,研究结果表明,相对于BP神经网络和支持向量机,ELM具有更高的泛化能力和预测精度;CC-PSO相对于粒子群和遗传算法具有更高的全局搜索能力,CC-PSO-ELM模型具有较高的负荷预测精度。     

Variable activation function extreme learning machine based on residual prediction compensation

For solving the problem that extreme learning machine (ELM) algorithm uses fixed activation function and cannot be residual compensation, a new learning algorithm called variable activation function extreme learning machine based on residual prediction compensation is proposed. In the learning process, the proposed method adjusts the steep degree, position and mapping scope simultaneously. To enhance the nonlinear mapping capability of ELM, particle swarm optimization algorithm is used to optimize variable parameters according to root-mean square error for the prediction accuracy of the mode. For further improving the predictive accuracy, the auto-regressive moving average model is used to model the residual errors between actual value and predicting value of variable activation function extreme learning machine (V-ELM). The prediction of residual errors is used to rectify the prediction value of V-ELM. Simulation results verified the effectiveness and feasibility of this method by using Pole, Auto-Mpg, Housing, Diabetes, Triazines and Stock benchmark datasets. Also, it was implemented to develop a soft sensor model for the gasoline dry point in delayed coking and some satisfied results were obtained.     

布谷鸟优化混合核相关向量机的网络流量预测

为了提高网络流量的预测精度,提出一种布谷鸟算法优化混合核相关向量机的网络流量预测模型(CS-RVM)。首先采用多项式和高斯核函数构成混合核函数代替相关向量机的单一核函数,然后引入布谷鸟算法对混合核参数进行寻优,最后建立网络流量预测模型。仿真结果表明,CS-RVM具有良好的建模效果,可提高网络流量的预测精度。     

PSO-ELM的浆体管道临界淤积流速预测模型研究

针对浆体管道临界淤积流速预测难度大、精度低等问题,提出了粒子群优化—极限学习机(PSO-ELM)的临界淤积流速预测模型.利用PSO算法对ELM模型参数输入权值和隐元偏置进行优化,应用优化得到的ELM模型对预测集进行预测.通过实验仿真得到预测结果的最大误差为5.73%,预测效果优于常规的ELM模型和反向传播(BP)神经网络模型.     

A novel kernel extreme learning machine algorithm based on self-adaptive artificial bee colony optimisation strategy

In this paper, we propose a novel learning algorithm, named SABC-MKELM, based on a kernel extreme learning machine (KELM) method for single-hidden-layer feedforward networks. In SABC-MKELM, the combination of Gaussian kernels is used as the activate function of KELM instead of simple fixed kernel learning, where the related parameters of kernels and the weights of kernels can be optimised by a novel self-adaptive artificial bee colony (SABC) approach simultaneously. SABC-MKELM outperforms six other state-of-the-art approaches in general, as it could effectively determine solution updating strategies and suitable parameters to produce a flexible kernel function involved in SABC. Simulations have demonstrated that the proposed algorithm not only self-adaptively determines suitable parameters and solution updating strategies learning from the previous experiences, but also achieves better generalisation performances than several related methods, and the results show good stability of the proposed algorithm.