小波核极限学习机在人脸识别中的应用

文章提出了一种基于小波核极限学习机(Wavelet Kernel Extreme Learning Machine,WK-ELM)的人脸识别算法。首先,使用2D盖博小波变换对人脸图片进行初步的人脸特征提取。为了从所有提取的特征中选择出与人脸识别相关的、必要的特征,使用主成分分析法(Principal Component Analysis,PCA)对经过初步处理后的图像再进行进一步处理,有效地降低了特征维数。然后使用小波核极限学习机对提取到的图像进行分类。实验证明,小波核极限学习机不仅识别性能高,而且训练速度也优于其他算法。     

基于蜂群算法和半监督极限学习机的光伏系统故障诊断

户外环境中运行的光伏系统容易受到各种因素特别是灰尘的影响,其非正常运行会导致大量损失,严重的短路故障则会导致安全问题比如火灾隐患。因此,监测光伏系统的运行状态,及时排除潜在故障,制定有效的处理方案是当前研究的重点。分析了光伏电池串在各种故障状态下的I-V特性,特别是在污秽条件下的I-V特性。针对具有特定故障的光伏系统,特别是大规模光伏系统的标记数据难以记录的问题,提出了一种结合人工蜂群算法和半监督极限学习机的新算法。该算法能够利用少量的模拟标记数据和历史未标记数据对光伏故障进行诊断,大大降低了人工成本和时间消耗。此外,灰尘堆积监测可以提醒电厂业主及时清洗光伏组件,提高发电效益。最后,使用3.51 kWp和3.9 kWp的光伏系统验证所提出的诊断方法,实验结果证明了所提光伏诊断技术的准确性和可靠性。     

小波核极限学习机分类器

分析了核极限学习机的原理,提出了一种小波核极限学习机,将小波函数做为极限学习机的核函数,证明了它是一种允许的极限学习机核。通过在双螺旋数据上的测试表明,小波核极限学习机在无训练数据分布的空间也具有分类能力,而高斯核极限学习机在没有训练数据分布的空间不具备分类能力。通过在不同的UCI数据集中的测试得出小波核极限学习机具有较高的分类性能。最后将小波核极限学习机应用到了人脸识别问题上,同样取得了优良的性能,说明小波核极限学习机具有一定的应用价值。     

改进蝙蝠算法优化极限学习机的图像分类

针对分类器中的极限学习机参数优化问题,本文提出一种改进蝙蝠算法优化极限学习机的图像分类模型。首先将极限学习机参数看作蝙蝠位置,然后采用改进蝙蝠算法进行求解。采用病毒群体感染主群体,主群体在历代个体间纵向传递信息,病毒群体通过感染操作在同代个体间横向传递信息,增强了算法跳出局部极小值的能力。最后根据最优参数建立图像分类模型,并对模型的性能进行仿真测试。仿真结果表明,相对于对比模型,本文模型不仅提高了图像分类正确率,而且加快了分类速度,是一种有效的图像分类模型。     

基于优化极限学习机的变压器故障诊断方法研究

电力变压器的智能故障诊断是推动智能电网发展的主要环节,但传统的单一智能诊断算法无法有效处理变压器大量不完整的故障信息,导致故障诊断准确率低。因此,结合溶解气体分析(DGA)技术,本文提出了一种基于灰狼优化算法优化的混合核极限学习机的变压器故障诊断方法。首先,根据Mercer定理,结合局部径向基核函数和全局多项式核函数,构建了混合核极限学习机模型。其次,可以通过灰狼优化算法对混合核函数的参数进行优化。最后结合实际数据对6种变压器故障数据进行了诊断,诊断准确率为90.02%（普通神经网络仅为77.8%）。此相比如传统的神经网络具有较高的诊断精度。应用混合核函数可以提高KELM的学习能力和泛化能力,以至于提高诊断精度。     

K插值单纯形法核极限学习机的研究

针对核极限学习机高斯核函数参数选优难,影响学习机训练收敛速度和分类精度的问题,该文提出一种K插值单纯形法的核极限学习机算法。把核极限学习机的训练看作一个无约束优化问题,在训练迭代过程中,用Nelder-Mead单纯形法搜索高斯核函数的最优核参数,提高所提算法的分类精度。引入K插值为Nelder-Mead单纯形法提供合适的初值,减少单纯形法的迭代次数,提高了新算法的训练收敛效率。通过在UCI数据集上的仿真实验并与其它算法比较,新算法具有更快的收敛速度和更高的分类精度。     

光伏阵列故障诊断算法研究综述

有效对光伏阵列进行快速、准确的故障诊断是保证光伏发电系统安全稳定运行的必要条件.本文结合国内外的研究成果,分析了光伏阵列故障的主要类型及形成原因,并从传统诊断法和智能算法两个方面对光伏阵列故障诊断进行阐述,分析了各种算法的原理以及优缺点.结合目前已取得的研究成果,对未来光伏阵列故障诊断的方法进行了初步的展望.     

改进鲸鱼算法优化核极限学习机在水质光谱分析中的应用

为提高水质光谱分析模型的学习速度与预测精度,采用核极限学习机对水质光谱进行建模,并提出一种具有动态惯性权重的改进鲸鱼优化算法对模型进行参数优化。由于极限学习机的输入权值矩阵和偏置是随机生成的,故引入核方法以减小其输出权值矩阵的波动;将鲸鱼优化算法中的惯性权重在非线性递减的基础上引入随机因子,通过动态调整惯性权重以平衡算法的全局搜索能力与局部开发能力。与传统优化模型进行了对比实验,实验结果表明:基于该方法所建模型具有更高的预测精度,而在相同的学习迭代次数下,核极限学习机的运行时间相对于传统算法约下降50%,且改进鲸鱼优化算法能够以更快的收敛速度使模型达到全局最优。     

捕鱼算法优化核极限学习机的微博热点话题预测

微博热点话题预测对网络舆情控制与管理具有重要意义,针对微博网络热点话题的随机性、非线性以及核极限学习的隐层权值和隐层阈值优化难题,提出一种捕鱼算法优化在核极限学习的微博热点话题预测模型。首先将微博网络热点话题历史样本划分训练样本和测试样本集,然后采用在核极限学习对微博热点话题训练样本进行学习与建模,并采用捕鱼算法优化在线极限学习的隐层权值和隐层阈值,最后采用微博热点话题测试样本对其性能进行测试。实验结果表明,本文模型可以描述微博热点话题的发展趋势,提高了网络热点话题的预测精度,而且性能优于其它网络热点话题预测模型。     

基于Vague-Sigmoid核函数的PSVM故障诊断算法研究

支持向量机因其相比于传统算法具有良好的分类性能,而广泛地应用于故障诊断研究中。但标准SVM存在训练时间长,占用内存大的不足。近似支持向量机（Proximal Support Vec-tor Machines,PSVM）算法具有训练速度快占用内存少的特点,特别适用于大量数据的故障诊断。但其对于分类超平面附近点的诊断精度略显不足。针对此类问题文中将耗时较少的Vague-Sigmoid核函数应用于PSVM,用以提高其对于在分类面附近样本的分类精度,仿真证明获得了较好的效果。     

Visual reconstruction of flexible structure based on fiber grating sensor array and extreme learning machine algorithm

A visual reconstruction method was proposed based on fiber Bragg grating (FBG) sensors and an intelligent algorithm, aiming to solve the problems of low accuracy and complex reconstruction process in conventional reconstruction methods of flexible structures. Firstly, the wavelength data containing structural strain information was captured by FBG sensors, together with deformation displacement information. Subsequently, a predicted model was built based on an extreme learning machine (ELM) and further optimized by the particle swarm optimization (PSO) algorithm. Different deformation patterns were tested on an aluminum alloy plate, indicating the ability of the predicted model to produce the deformation displacement for reconstruction. The experimental results show that the maximum error can be as low as 0.050 mm, which verifies that the proposed method is feasible and satisfied with the deformation monitoring of the spacecraft structure.     

Encrypted image classification based on multilayer extreme learning machine

Nowadays, numerous corporations (such as Google, Baidu, etc.) require an efficient and effective search algorithm to crawl out the images with queried objects from databases. Moreover, privacy protection is a significant issue such that confidential images must be encrypted in corporations. Nevertheless, decrypting and then classifying millions of encrypted images becomes a heavy burden to computation. In this paper, we proposed an encrypted image classification framework based on multi-layer extreme learning machine that is able to directly classify encrypted images without decryption. Experiments were conducted on popular handwritten digits and letters databases. Results demonstrate that the proposed framework is secure, efficient and accurate for classifying encrypted images.     

一种改进的基于误差最小化的极限学习机

在基于误差最小化的极限学习机（EM_ELM）的基础上,提出了一种改进的基于误差最小化的极限学习机,输入权重和偏置采用递归最小二乘法获得.实验证明,该方法具有更快的学习速度、良好的预测精度和更精简的网络结构.     

改进极限学习机的电子音乐分类模型

针对传统模型无法准确实现电子音乐分类和识别的难题,提出改进极限学习机的电子音乐分类模型。首先对电子音乐数据进行采集,并提取其倒谱系数特征,并采用核主成分分析对特征进行筛选;然后采用遗传算法对极限学习机的参数进行选择,并用于构建电子音乐的分类器;最后采用多种类型的电子音乐进行仿真实验,改进极限学习机的电子音乐平均分类率达到了95%以上,电子音乐的错分率要远远低于当前其他电子音乐分类模型。实验结果验证了该电子音乐分类模型的可行性以及优越性。     

基于A-ELM的移动视觉搜索方法

计算机智能技术在图像领域已经得到广泛的应用.极限学习机(ELM)作为一种新兴技术,克服了其他传统智能技术所面临的一些问题,吸引了越来越多研究人员的关注.首先对ELM算法的性能进行了分析验证,并将其延伸到图像分类搜索上.在此基础上,提出了基本视觉搜索(BMVS)框架,将ELM运用到此框架服务器端,并进一步优化了ELM的分类性能.最后实验证明ELM在移动视觉搜索方面的可行性,并通过和支持向量机(SVM)的实验对比验证相关方法的高效性.     

基于极限学习机的自动化图书信息分类技术

针对数字图书馆领域中的中文图书书目自动化分类问题,提出一种基于极限学习机的自动化图书信息分类方法。首先使用基于统计的分词方法对图书信息进行预处理形成特征项集合,并采用信息增益(IG)实现特征选择,从而减少特征项的数量;然后通过基于TF-IDF特征权重的向量空间模型进行文本表示;最后采用机器学习算法中的极限学习机对图书语料进行学习和测试。实验结果表明,相比朴素贝叶斯分类、K最近邻策略分类和支持向量机分类,基于极限学习机的分类方法可以有效实现图书自动分类过程,并具有较高的准确率和分类效果。