针对增量型极限学习机(I-ELM) 中存在大量降低学习效率及准确性的冗余节点的问题, 提出一种基于Delta 检验(DT) 和混沌优化算法(COA) 的改进式增量型核极限学习算法. 利用COA的全局搜索能力对I-ELM 中的隐含层节点参数进行寻优, 结合DT 算法检验模型输出误差, 确定有效的隐含层节点数量, 从而降低网络复杂程度, 提高算法的学习效率; 加入核函数可增强网络的在线预测能力. 仿真结果表明, 所提出的DCI-ELMK 算法具有较好的预测精度和泛化能力, 网络结构更为紧凑.
相似文献针对国际铀资源价格预测问题, 提出一种基于经验模式分解(EMD)、相空间重构(PSR) 和极限学习机(ELM) 的非线性组合预测方法. 首先通过EMD分解, 将原始价格序列分解为若干固有模态分量(IMF), 按频率高低将各IMF 分组叠加成3 个新序列; 然后在重构相空间的基础上构建不同的ELM模型, 分别对各IMF 序列进行预测; 最后对预测结果进行合成. 将该方法应用于实际铀资源价格预测, 并与径向基神经网络(RBF) 方法及单独ELM方法进行比较, 仿真结果表明该方法预测精度有明显的提高.
相似文献提出一种新的约简算法. 首先以全局等价类为最小计算粒度, 提出粗等价类概念, 深入研究其性质并证明粗等价类下求核和约简与原决策系统等价; 剖析3 类粗等价类与正区域间的内在关联, 设计针对1 和??1 两类粗等价类双边删减下正区域的渐增式等价计算方法, 从而设计双向剪枝策略以及多次Hash 的属性增量划分算法, 基于此给出高效完备的约简算法. 最后用UCI 中20 个决策集、海量、超高维3 类数据集从多个角度进行验证, 结果表明, 所提出的约简算法的完备性和高效性在绝大多数情况下优于现有算法, 尤其适用于海量数据和超高维数据集.
相似文献研究在外界扰动影响下的通信拓扑为多图的一阶多智能体系统的协同一致性控制鲁棒性问题. 采用闭环系统的??2 范数来度量系统的鲁棒性; 借助代数图论、控制论和矩阵论, 建立通信拓扑在有无自环时多智能体系统鲁棒性、系统??2 范数、系统通信拓扑之间的直接联系, 并进行严格的证明; 给出通信拓扑为完备图、星图、路图、环图时多智能体系统之间的收敛速度、鲁棒性分析与比较. 仿真实例表明了所提出方法的有效性.
相似文献为了优化算法的全局探索能力和局部开发能力, 提出一种基于两方面改进的骨干粒子群算法. 提出一种进化方程, 通过即时搜索域的分析说明该方程可以改善粒子多样性. 提出粒子群“剪枝”策略: 每当粒子搜索到新的群体最优位置时, 剪去该粒子, 同时初始化一个新位置以安插该粒子. 理论分析指出, 在增强全局探索能力的同时, 合适的剪枝策略能增加局部开发能力. 实验结果表明, 所提出算法的性能较几种经典PSO 算法有显著的提升.
相似文献研究含比例型手续费的离散时间投资组合优化问题. 基于马尔可夫决策过程模型和性能灵敏度分析方法, 推导两个不同投资策略之间的资产长期平均增值率的差分公式, 利用差分公式的结构特点, 证明了最优性方程, 并设计出可在线应用的策略迭代算法. 仿真实例验证了所提出算法的有效性.
相似文献针对加热系统热传导过程模型不精确和系统参数不确定性问题, 提出一种新的基于最大灵敏度的分数阶内模控制方案. 采用分数阶模型描述加热系统可以提高精度, 而内模控制能够很好地处理系统参数不确定性问题. 利用最大灵敏度整定分数阶控制器参数, 并以此获得强鲁棒性控制系统. 数值结果验证了所提出的分数阶内模控制方案的有效性, 具有比整数阶内模控制方案更好的控制性能.
相似文献针对一类不确定非线性系统, 基于滑模观测器研究执行器和传感器同时故障时的鲁棒重构问题. 引入线性变换矩阵并添加后置滤波器构建增维系统, 综合??∞ 控制将鲁棒滑模观测器增益矩阵设计方法, 转化为LMI 约束下的多目标凸优化问题. 在滑模增益中添加了自适应律, 确保状态估计误差渐近稳定, 同时滑模运动经有限时间到达滑模面, 在此基础上给出执行器和传感器故障同时重构算法. 最后通过数值算例表明了所提出方法的有效性.
相似文献针对回归问题中存在的变量选择和网络结构设计问题, 提出一种基于互信息的极端学习机(ELM) 训练算法, 同时实现输入变量的选择和隐含层的结构优化. 该算法将互信息输入变量选择嵌入到ELM网络的学习过程之中, 以网络的学习性能作为衡量输入变量与输出变量相关与否的指标, 并以增量式的方法确定隐含层节点的规模.在Lorenz、Gas Furnace 和10 组标杆数据上的仿真结果表明了所提出算法的有效性. 该算法不仅可以简化网络结构, 还可以提高网络的泛化性能.
相似文献针对集成学习中的准确性和差异性平衡问题, 提出一种基于信息论的选择性集成核极端学习机. 采用具有结构简单、训练简便、泛化性能好的核极端学习作为基学习器. 引入相关性准则描述准确性, 冗余性准则描述差异性,将选择性集成问题转化为变量选择问题. 利用基于互信息的最大相关最小冗余准则对生成的核极端学习机进行选择, 从而实现准确性和差异性的平衡. 基于UCI 基准回归和分类数据的仿真结果验证了所提出算法的优越性.
相似文献针对传统回声状态网络(ESN) 难以解决多振荡子叠加(MSO) 问题, 提出一种增量式模块化回声状态网络(IM-ESN). 该网络储备池由多个相互独立的子储备池组成. 利用矩阵的奇异值分解(SVD) 构造每个子储备池的权值矩阵, 并依据分块对角矩阵原理, 将子储备池逐一添加至网络中. 在网络增长过程中, IM-ESN 无需放缩权值矩阵便能保证网络的状态回声特性. MSO 问题的仿真结果表明, IM-ESN 能够自主确定与问题复杂度相匹配的网络规模, 具有较好的预测性能和鲁棒性.
相似文献针对一类多输入多输出(MIMO) 仿射非线性动态系统, 提出一种基于极限学习机(ELM) 的鲁棒自适应神经控制方法. ELM随机确定单隐层前馈网络(SLFNs) 的隐含层参数, 仅需调整网络的输出权值, 能以极快的学习速度获得良好的推广性. 在所提出的控制方法中, 利用ELM逼近系统的未知非线性项, 针对ELM网络的权值、逼近误差及外界扰动的未知上界值分别设计参数自适应律, 通过Lyapunov 稳定性分析可以保证闭环系统所有信号半全局最终一致有界. 仿真结果表明了该控制方法的有效性.
相似文献