履带机器人基于时频特征与PCA-SVM的 地面分类研究

为了提高履带机器人对地面分类的准确率,提出一种基于时频特征和PCA-SVM的地面分类方法。对振动信号采用时域幅值和现代功率谱分析同时进行时频特征提取,并运用主成分分析法(PCA)进行时频特征的融合和简化,然后利用LIBSVM中的一对一支持向量机(SVM)程序,实现地面识别分类。控制履带机器人以2种速度在5种不同的地面上行驶,利用其上安装的惯性导航传感器采集3个方向直线加速度和三轴的角速度信号,采用本文算法和单一特征分类算法对信号分别进行时频特征处理与地面分类试验。结果表明,本文算法在机器人速度0. 02m/s时可得到更好的分类效果。该方法可为履带机器人实现更有效的地面环境感知和自身在最佳状态下的导航控制运行提供技术支持。     

基于动态步长交替方向乘子法正则化极限学习机

为解决交替方向乘子法（alternating direction method of multipliers, ADMM）正则化极限学习机（regularized extreme learning machine, RELM）迭代收敛速度慢和迭代后期误差衰减停滞的问题,提出一种基于动态步长ADMM的正则化极限学习机,记为VAR-ADMM-RELM．该算法在ADMM算法的基础上采用动态衰减步长进行迭代,并同时使用L1和L2正则化对模型复杂度进行约束,解得具有稀疏性和鲁棒性的极限学习机输出权重．在UCI和MedMNIST数据集中对VAR-ADMM-RELM、极限学习机（extreme learning machine, ELM）、正则化极限学习机（regularized ELM, RELM）和基于ADMM的L1正则化ELM(ADMMRELM)进行拟合、分类和回归对比实验．结果表明,VAR-ADMM-RELM算法的平均分类准确率和平均回归预测精度分别比ELM算法提升了1.94%和2.49%,较标准ADMM算法可以取得3～5倍的速度提升,且对异常值干扰具有更好的鲁棒性和泛化能力,在高维度多样本...     

移动机器人室内场景主动识别的强化学习方法

为了在传统场景分类器基础上进一步提高场景识别准确率,提出了一种采用Q学习(Q-learning)实现室内场景主动识别的算法.该算法采用极限学习机(Extreme Learning Machine,ELM)与反向传播梯度下降相结合的方式近似Q-learning值函数的神经网络.算法基于Q-learning动态地学习场景识别率最高的机器人朝向角,使机器人能够自主获取多次更为可靠的传感器信息并将对应识别结果融合,进而提高场景识别准确率.将算法应用在移动机器人场景识别中进行实验,结果表明该算法可以有效提高场景识别准确率.     

基于极限学习机的轻度认知障碍辅助诊断

为解决现有的轻度认知障碍计算机辅助诊断方法准确率较低、耗时较长的问题,对功能磁共振图像进行预处理,基于复杂网络理论构建脑网络,从中提取特征并采用LASSO方法特征选择,采用极限学习机实现轻度认知障碍的辅助诊断。此外,为了得到更合适的极限学习机分类模型,讨论了隐含层节点数与激活函数的选择对分类准确率的影响。结果显示:极限学习机分类器的分类准确率为93.3%,相比支持向量机和BP神经网络提高了13.3%和20.0%,而耗时相比支持向量机和BP神经网络分别减少了60.7%和99.5%,该方法较为明显地提高了轻度认知障碍辅助诊断的准确率和速度,对于轻度认知障碍辅助诊断的临床应用具有重要意义。     

基于极限学习机的非线性内模控制

针对非线性的内模控制的逆模难以求解的问题,该文提出一种基于改进极限学习机(MELM)的非线性内模控制方法。在基本的极限学习机模型中加入L1和L2范数罚函数,然后将改进极限学习机算法用于建立非线性系统的内模型和逆模型。仿真实验中,选取4种典型信号进行跟踪,并检验了系统的抗干扰能力和系统参数发生变化时的鲁棒性,通过将MELM和最小二乘支持向量机(SVM)以及极限学习机算法进行对比,表明基于MELM的内模控制方法对非线性系统具有更好的控制性能、较强的抗干扰能力和鲁棒性能。     

基于模糊积分的多源信息融合及目标融合识别方法

针对目标融合识别问题,在引入模糊测度和模糊积分这两个基本概念的基础上,提出了一种基于模糊积分的多源信息融合及目标融合识别方法.给出了一种模糊测度的构造方法,建立了基于模糊积分的通用信息融合算法流程,在此基础上,详细给出了基于模糊积分的融合识别原理及求解过程.实验结果证明了模糊积分运用于多源信息融合及目标融合识别的可行性与有效性.     

基于极限学习机的分类算法及在故障识别中的应用

利用极限学习机(ELM)分类器的结构特点重新设计面向多分类任务的ELM分类器,提出基于ELM的优化分类算法One-Class-PCA-ELM.该算法的实现过程如下:对故障数据进行主元分析(PCA)处理,降低数据维数,去除噪声与冗余信息;将训练数据集按类分割,建立各类对应的单分类模型,整合得到One-Class-PCA-ELM分类模型;将待分类数据输入One-Class-PCA-ELM分类模型,得到待分类数据的类标号,完成分类.仿真实验结果表明,该算法保持了极限学习机极快的训练速度,具有较高的分类准确率及较理想的分类稳定性.     

左右手运动想象脑电模式识别研究

如何提高左右手运动想象脑电信号的分类率是脑机接口研究领域的一个热点话题。基于美国EGI64导脑电采集系统得到3名健康被试的脑电数据,首先,采用独立成分分析（Independent Component Analysis,ICA）对采集的数据进行去噪处理;然后,利用离散小波变换方法对分解C3/C4处的EEG平均功率信号,选用尺度6上逼近系数A6的重构信号作为脑电特征信号;最后,用Fisher线性判别分析法（Fisher Linear Discriminant Analysis,FLDA）、支持向量机方法 （Support Vector Machines,SVM）和极限学习机分类方法 （Extreme Learning Machine,ELM）分别对特征信号进行分类。分类结果表明：极限学习机分类方法得出的平均分类率要高于Fisher方法与SVM方法的平均分类率,可以达到92%,而且运行速度也高于另两种分类算法。     

基于量子粒子群优化极限学习机的频谱感知算法

针对无线信道环境中低信噪比情况下主用户信号检测率较低的问题,提出了一种基于量子粒子群优化极限学习机(E L M)算法的认知无线电网络频谱感知方法.针对极限学习机算法的特点通过量子粒子群算法(Q P S O)优化极限学习机参数,并构建引入结构风险思想的QPSO-ELM模型,降低算法的经验风险提高模型的泛化能力,提高算法的频谱感知性能.仿真实验表明,与人工神经网络(A N N)、支持向量机(S V M)和极限学习机(E L M)三种机器学习算法,在信噪比为-15 dB时的频谱感知性能进行比较,分别提高了16％、28％、9％,仿真证明所提算法在低信噪比情况下具有较高的性能,可有效地实现对主用户信号的频谱感知.     

多层去噪极限学习机

为提高极限学习机-自编码器(ELM-AE)所提取特征的有效性和鲁棒性,提升多层极限学习机(ML-ELM)性能,抑制噪声的影响,本文将极限学习机(ELM)与去噪自编码器(DAE)相结合,在ELM-AE中引入退化过程,提出了极限学习机-去噪自编码器(ELMDAE);并通过堆叠ELM-DAE,构建了多层去噪极限学习机算法(ML-D-ELM)。ML-DELM首先通过堆叠的ELM-DAE逐层提取具有高有效性、鲁棒性的抽象特征,而后运用ELM进行分类,完成由抽象特征到类别标签的映射。在多个常用数据集上的实验结果表明:与ELM、SAE-ELM、ML-ELM算法相比,无论是否存在噪声,ML-D-ELM的分类准确率都有明显上升。对于MNIST数据集,ML-D-ELM分类准确率可以达到98.81%。     

改进的直推式一类分类马氏椭球学习机

针对采用马氏距离进行直推式学习的一类分类椭球学习机,在训练样本点较少而待分类样本点较多的情况中出现的处理较大规模数据集时间较长的问题,提出了一种改进的直推式马氏椭球学习机。采用样本协方差初始化策略构建初始化矩阵,在每次迭代中将距离当前超椭球中心最远的待分类样本点加入到学习机中形成新的训练集,进行训练直到得到最终的超椭球。通过对实际数据集进行实验验证,结果表明改进的算法在确保较高分类准确率的前提下,能有效地提高处理较大规模数据集的计算效率。     

一种挖掘概念漂移数据流的模糊积分集成分类方法

针对隐含概念漂移和噪声的数据流,提出一种基于模糊积分融合的数据流分类方法(fuzzy integral ensemble classifiers for mining data streams, FI-MDS)。将模糊积分融合方法与集成综合技术有效结合起来,首先通过基分类器对识别样例进行分类得到决策剖面,然后再用模糊积分融合方法得到最终的分类结果,同时引入动态权值更新以提高算法的适应性。实验结果表明,与传统的数据流分类算法相比,该方法提高了概念漂移的检测精度,有效地解决了数据流中复杂分类问题,具有良好的分类性和健壮性。     

基于多传感器数据融合的机房火灾检测算法

针对机房传统单传感器报警系统存在漏报率高、准确率低等问题,提出了一种基于多传感器数据融合的机房火灾检测算法。该算法首先采用寻优能力强的麻雀搜索算法（SSA）优化极限学习机（ELM）的预测精度和准确度。其次通过SSA-ELM算法模型对机房内多传感器采集的温度、烟雾浓度、CO浓度进行特征层数据融合,输出各火情概率。最后利用模糊推理将输出的各火情概率和火灾持续时间在决策层中进行特征融合,决策出火情警报等级。仿真实验表明：本文算法能根据多传感器数据融合的结果并结合不同危险等级区域给出合理的警报决策,极大提高了机房火灾检测的灵活性和准确性。     

融合ELM和相关滤波的鲁棒性目标跟踪算法

为解决目前主流相关滤波跟踪方法中跟踪结果容易陷入局部最优值以及因引入深度学习带来的特征提取过程过慢的问题,提出一种融合极限学习机和相关滤波器的鲁棒性目标跟踪算法。该算法在C-COT算法的基础上对其特征提取方式和置信图的寻优方法进行改善。首先,利用多层稀疏自编码极限学习机技术,设计新的特征提取模型,以代替原来的卷积神经网络,可快速且高效地提取图像特征;其次,在特征提取模型之后,添加在线序列极限学习机,构建目标粗糙位置估计模型,采用多峰检测方法初步求得目标的预测位置;第三,根据初步的目标预测位置确定置信图的搜索区域,避免跟踪结果陷入局部最优值;最后,在3个目标跟踪标准数据集上验证新算法的有效性。实验结果表明,新算法的跟踪速度是C-COT算法的12.9倍,且对遮挡、运动模糊以及相似目标等有较强的鲁棒性,可有效地提高跟踪精度和速度。     

一种基于Akaike信息准则的极限学习机

为了减小传统的极限学习机网络的规模及提高网络的泛化性能,利用Akaike信息准则作为学习的最优停止准则以选择合适的隐层节点数量,同时利用修正Gram Schmidt算法自动调整网络参数,提出改进的极限学习机网络构造算法。通过与传统极限学习机在通用标杆问题上的实验结果比较表明, 该改进的极限学习机具有更精简的网络结构和更快的学习速度,同时具有良好的学习精度。     

基于核极限学习机的火灾预警算法研究

火灾信息处理算法的有效性影响着火灾预警系统的准确性和可靠性,所以智能火灾预警算法研究成为了火灾预警技术的一个研究热点.针对以往火灾信息处理算法的不足,提出了一种基于核极限学习机(KELM)的火灾预警算法.该算法利用核极限学习机对多种传感器采集到的数据进行融合分析,实现火情识别.利用MATLAB对核极限学习机的火灾预警算法进行仿真,通过与BP神经网络火灾预警算法和支持向量机火灾预警算法的仿真结果进行对比,证明了该火灾预警算法较之以往算法的优越性.     

基于模糊积分的多分类器融合文本分类研究

提出一种基于模糊积分的多神经网络分类器融合文本分类方法,利用Sugeno模糊积分作为融合工具,将BP神经网络、RBF神经网络及采用K-means算法的RBF神经网络等多种文本分类器相结合,取得了更加优化的中文文本分类结果。     

基于遗传模糊算法的足球机器人射门动作控制

为了提高足球机器人的射门成功率，给出了一种基于遗传模糊算法的足球机器人射门实现方法。通过建立一个多输入多输出模糊控制器，用一套模糊控制规则控制足球机器人在实时、动态环境中完成射门动作，并采用遗传算法优化模糊规则和隶属度函数，增强了模糊控制系统适应动态变化环境的能力。考虑了轮式移动机器人的运动模型，将更符合实际情况的左右轮速度作为模糊规则内输出。在仿真和全局视觉足球机器人平台上对该算法进行了验证，实验结果证明了方法的正确性。     

基于PSO的ELM集成学习算法研究

极限学习机(Extreme Learning Machine,ELM)作为一种前向神经网络的学习算法,具有较快的学习速度和较高的学习精度。但是由于ELM的参数是随机设置的,导致ELM的泛化能力不高,容易产生过拟合现象。基于粒子群的极限学习机算法(PSO-ELM),提出了集成学习PSO-ELM算法,称为E-PSO-ELM,来提高模型的泛化能力。函数逼近和模式分类问题的仿真结果表明,所提出算法具有较好的泛化能力,特别是在函数逼近问题中,可以较为明显地提高模型的泛化能力和学习精度。     

基于核极限学习机自编码器的标记分布学习

标记分布学习中示例由多个不同重要程度的标记共同标注,而在已有的标记分布学习算法中,大部分均在完备数据集下进行,未考虑数据噪声干扰。针对这一问题,结合自编码器的降噪特性和核极限学习机的稳定性,提出一种基于核极限学习机自编码器的标记分布学习算法。使用核极限学习机自编码器对原始特征空间映射,得到更具鲁棒性的特征表达,构造适应标记分布学习的极限学习机模型作为分类器以提升分类效率及性能。试验结果表明,本文算法较其他对比算法具有一定优势,使用假设检验方法进一步说明所提算法的有效性。