基于改进极限学习机的数据智能化分析算法设计

针对医疗财务数据的风险,文中提出了一种基于灰狼优化算法改进极限学习机的数据分析方法,实现了对数据风险的精准预测。该算法基于极限学习对数据进行深度挖掘和分析,并在此基础上进行改进,通过灰狼优化算法对极限学习机的权重参数进行优化。通过在真实数据集上与极限学习机进行实验对比,本算法的决定系数R2为0.96,优于极限学习机的0.81,验证了所提算法的有效性。同时,为了进一步验证该文算法的优越性,在实验仿真过程中还与多种机器学习算法进行对比,结果表明文中算法的预测效果更为优越,相比于其中表现最佳的SVM也有了0.06的提升。     

基于RS优化的电力变压器故障诊断方法

针对现有的故障诊断技术应用在电力变压器故障诊断中存在的冗余信息过多,诊断结果不准确等问题将粗糙集理论与概率神经网络相结合,先利用粗糙集理论对故障系统前期数据进行最大限度的约简,再经概率神经网络进行故障模式分类,可简化故障诊断网络规模,且相比于单一的概率神经网络的诊断方法,能够更精确地诊断出变压器故障类型,其研究成果在油浸式电力变压器故障诊断方面具有广阔的应用前景。     

TGBA优化核极限学习机的光伏阵列故障诊断

针对核极限学习机(Kernel Extreme Learning Machine,KELM)用于光伏阵列故障诊断时准确率不高的不足,提出了 一种基于 TGBA(Tent Mapping and Gaussian Perturbation Strategy Optimize Bat Algorithm)算法优化核极限学习...     

基于人工免疫算法的变压器故障诊断方法

人工免疫系统是一种由生物免疫系统启发的学习外界物质的自然防御机理的学习技术.基于人工免疫识别原理提出一种电力变压器故障诊断方法,利用增加抗原、记忆抗体类别信息等方法对变压器故障样本进行学习,获取更多表征故障样本特征的记忆抗体集并进行分类.经过对故障数据的Maflab实验,将结果与IEC三比值法进行比较,表明该算法有较高的诊断准确率.     

基于人工免疫算法的变压器故障诊断方法

人工免疫系统是一种由生物免疫系统启发的学习外界物质的自然防御机理的学习技术。基于人工免疫识别原理提出一种电力变压器故障诊断方法,利用增加抗原、记忆抗体类别信息等方法对变压器故障样本进行学习,获取更多表征故障样本特征的记忆抗体集并进行分类。经过对故障数据的Matlab实验,将结果与IEC三比值法进行比较,表明该算法有较高的诊断准确率。     

基于改进极限学习机的多维参数天线设计方法

针对多维参数微波天线设计,提出改进极限学习机的天线设计方法.利用头脑风暴优化算法优化极限学习机的输入权重和阈值,在减少训练样本数量的同时提高极限学习机的预测准确度;利用拉丁超立方抽样获取一定数量的微波天线设计参数,解决了获取多维参数天线训练样本困难的问题;利用HFSS-Matlab-Api实现设计过程的自动化操作,提高...     

捕鱼算法优化极限学习机的运动员成绩预测

针对当前运动员成绩预测精度低的难题,提出捕鱼算法优化极限学习机的运动员成绩预测模型。收集运动员成绩的时间序列,进行聚类分析建立学习样本,采用极限学习机对学习样本进行训练,并采用捕鱼算法对极限学习进行优化,建立运动员成绩预测模型,最后采用具体数据对运动员成绩预测性能进行测试。测试结果表明,该模型可以准确拟合运动员成绩的变化特点,获得了较高精度的运动员成绩预测结果,而且预测结果要显著优于其他模型,具有较高的实际应用价值。     

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。     

在线极限学习机及其在图像识别中的应用

针对海量图像数据的识别问题,本文提出了在线极限学习机(online optimized ELM,OP-ELM)。OP-ELM以单隐层前馈神经网络(single hidden layer feed forward networks,SLFNs)为基础,固定了隐含节点数以及节点参数,在在线增量学习过程中综合考虑历史数据和新数据,产生全局唯一的最优解,降低了计算资源的需求,继承了极限学习机(Extreme Learning Machine,ELM)学习速度快泛化性能好的优点。因此非常适合于海量图像数据的在线学习问题。在公开图像数据集Caltech4和Scene13上的实验表明,本文提出的方法取得了与前沿离线识别方法性能相当的识别效果,与基于SVM的在线学习方法LA-SVM相比,在参数规模、参数调节以及学习算法效率方面具有明显优势。     

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。     

融合极限学习机

为提高极限学习机(Extreme Learning Machine, ELM)的分类性能,同时保留其训练速度快的优点,该文提出融合ELM的方法,详细分析了特征级融合及决策级融合两种实现方式。为实现决策级融合ELM,提出概率极限学习机(Probabilistic ELM, PELM),将传统ELM的数值型输出转化为概率型输出,使得不同特征的判决结果统一在固定范围。在此基础上,采用自适应权值的方式实现决策级融合,该方法充分考虑了分类器针对不同特征的判决准确率差异,无需先验知识及主观定义。实验证明,该文提出的融合ELM相较于传统的单一特征支持向量机(SVM)方法及ELM方法,具有更优的分类性能;在训练时间方面,优于SVM方法。     

基于麻雀搜索优化深度极限学习机的入侵检测方法

深度极限学习机(DELM)由于其性能好、泛化能力强等优点成功应用于许多领域.针对现有入侵检测技术存在检测效率低等问题,将DELM引入到网络入侵检测中,并针对其初始参数随机性较大等问题,提出了一种基于改进的麻雀搜索算法(RSSA)优化DELM的入侵检测模型RSSA-DELM.首先在麻雀搜索算法(SSA)中,对麻雀发现者和...     

基于遗传算法的变压器故障诊断方法的研究

变压器是电力系统中的枢纽设备之一,其运行情将直接影响电力系统的安全运行。传统的变压器故障诊断方判断变压器中存在故障的准确率低。应用遗传算法进行变压故障诊断,极大的提高了诊断准确率,提高电力系统运行可靠性。     

基于极限学习机的超短期电力负荷度量研究

针对电力负荷超短期输出数据相似度较高导致输出结果不精准的问题,提出基于极限学习机的超短期电力负荷度量方法。基于极限学习机网络计算电力负荷度量偏差,最大程度消除冗余数据。以负荷影响因素为模型输入,以负荷为模型输出,在相似性原则下,读取历史负荷数据。利用激活Sigmoid函数平滑处理样本数据,设置切换准则,设计极限学习机度量过程,完成超短期电力负荷度量。由实验结果可知,该方法 12月21日、12月25日电力负荷的波动范围分别为0～600 kW、0～1 300 kW,与实际数据存在较小的偏差,具有精准度量结果,受数据相似度影响较小。     

基于优化的极限学习机和深度层次的RGB-D显著检测

目前,相当多的显著目标检测方法均聚焦于2D的图像上,而RGB-D图像所需要的显著检测方法与单纯的2D图像相去甚远,这就需要新的适用于RGB-D的显著检测方法。该文在经典的RGB显著检测方法,即极限学习机的应用的基础上,提出融合了特征提取、前景增强、深度层次检测等多种思路的新的RGB-D显著性检测方法。该文的方法是：第一,运用特征提取的方法,提取RGB图4个超像素尺度的4096维特征;第二,依据特征提取中产生的4个尺度的超像素数量,分别提取RGB图的RGB, LAB, LBP特征以及深度图的LBE特征;第三,根据LBE和暗通道特征两种特征求出粗显著图,并在4个尺度的遍历中不断强化前景、削弱背景;第四,根据粗显著图选取前景与背景种子,放入极限学习机中进行分类,得到第1阶段显著图;第五,运用深度层次检测、图割等方法对第1阶段显著图进行再次优化,得到第2阶段显著图,即最终显著图。     

基于灰狼算法优化SVM的变压器故障诊断

电力运行离不开变压器,一旦变压器发生故障将造成难以估量的损失,而传统的变压器故障诊断方法在准确率存在方面不足,因此文章提出一种基于灰狼算法优化支持向量机（GWO-SVM）模型。该方法通过支持向量机（SVM）对故障数据进行分类,并用灰狼算法（GWO）对SVM的核参数g以及惩罚因子C进行优化,通过不断训练GWO-SVM使其故障诊断精度提高。文章分别对比了标准SVM和粒子群优化后的SVM(PSO-SVM)模型,经比较GWO-SVM模型精度比标准SVM模型高7.5%,比PSO-SVM模型高2.5%,证明GWO-SVM模型具有可行性。