一种粒子群RELM的基因表达数据分类方法

正则极限学习机(regularized extreme learning machine,RELM)具有比极限学习机(extreme learning machine,ELM)更好的泛化能力.然而RELM的输入层权值、隐含层偏差是随机给定的,会影响RELM的稳定性.另外,RELM为了获得较理想的分类精度,仍需设置较多的隐层节点.针对此问题,通过分析粒子群优化算法(particle swarm optimization,PSO)的原理,把RELM初始产生的输入层权值、隐含层偏差作为粒子带入PSO进行寻优.通过在Breast和Brain数据集上进行多次10折交叉验证表明,粒子群改进正则极限学习机(PSO-RELM)可以在隐层节点设置较少时获得比BP神经网络(back propagation,BP)、支持向量机(support vector machine,SVM)、RELM更好的分类精度和更佳的稳定性.     

面向基因数据分类的AGA-ELM算法研究

对基因表达数据进行分类时,超限学习机(ELM)算法具有学习效率高、泛化能力强、分类精度高的优点.为了解决超限学习机算法受输入权值矩阵和隐含层偏差随机初始化的影响,本文利用自适应遗传算法(AGA)具有良好的全局搜索效果对超限学习机的输入权值矩阵和隐含层偏差进行优化,提出了基于自适应遗传算法优化超限学习机(AGA-ELM)的分类算法.通过实验表明,该算法与已有的ELM、GA-ELM以及SVM算法相比,分类精度更高,可用于基因数据分类.     

NTLBO算法优化ELM的SOC预测方法

为提高锂电池荷电状态(SOC)预测的精度,提出了新型教与学优化(NTLBO)算法优化极限学习机的SOC预测方法.首先,采用Logistics混沌对种群中精英个体进行优化以改善算法的全局优化性能;其次,采用改进的TLBO算法优化调整ELM模型的输入权值和隐含层阈值,构建NTLBO-ELM预测模型以提升模型的泛化能力.以某...     

排列熵与核极限学习机在齿轮故障诊断中的应用

针对齿轮故障难提取和极限学习机(extreme learning machine,ELM)隐层节点数需要人为设定,致使齿轮故障分类模型准确度低、稳定性差的问题,提出基于核极限学习机(kernel extreme learning machine,K-ELM)的齿轮故障诊断方法。首先,将测得信号经经验模态分解(empirical mode decomposition,EMD)处理后得到一系列IMF本征模式分量,并提取各分量的排列熵(permutation entropy,PE)值组成高维特征向量集;然后利用高斯核函数的内积表达ELM输出函数,从而自适应确定隐层节点数;最后,将所得高维特征向量集作为K-ELM算法的输入建立核函数极限学习机齿轮故障分类模型,进行齿轮不同故障状态的分类辨识。实验结果表明:与SVM、ELM故障分类模型相比,核函数ELM滚动齿轮故障诊断分类模型具有更高的准确度和稳定性。     

基于盲辨识模型和极限学习机的下肢假肢路况识别

针对大腿截肢者穿戴智能假肢路况识别准确率低的问题,提出了一种盲辨识理论和极限学习机相结合的路况识别方法。选择肌电信号(EMG)作为路况识别信息源,提取肌电信号的盲辨识模型系数作为信号特征,为了能够充分反映路况特征,比较了不同特征值,分析了选取盲辨识模型系数作为路况识别特征值的合理性。为了克服极限学习机(ELM)分类器随机产生的输入权值只有少部分是比较优越的缺点,利用烟花极限学习机(FA-ELM)对平地行走、上楼、下楼、上坡、下坡、跑步6种路况进行分类。与ELM算法、BP神经网络进行了对比,结果表明,采用盲辨识模型和烟花算法进化极限学习机将6种路况下平均识别率提高到93.18%,优于ELM和BP神经网络等方法。     

基于SOA-ELM的水泥分解炉温度预测

在变工况的水泥生产过程中,为预知风、煤、料的投入量,提出一种基于人群搜索算法(SOA)优化极限学习机(ELM)的水泥分解炉温度预测模型。采用现场数据,选取相关因素,用ELM建立预测模型,通过SOA对ELM的输入输出权值进行动态寻优,克服其初始权值的随机性,实现分解炉温度的预测。与未优化权值的ELM模型和利用粒子群算法(PSO)优化的ELM模型进行仿真对比,实验表明该SOA-ELM模型具有更佳的预测能力。在隐层节点数为9时,该模型的预测值与真实值的平均相对误差为0.004 5%。该模型的建立,可为后期的分解炉温度控制提供依据。     

自适应人工蜂群优化极限学习机在拉曼光谱血液定量分析中的应用

提出了一种基于自适应差分进化人工蜂群优化极限学习机预测血液各组分浓度的方法。首先应用人工蜂群算法对输入权值和隐含层阈值迭代寻优;其次结合差分进化进一步提高模型精度且避免后期易陷入局部最优等问题;由于差分进化算法交叉率和变异率存在凭经验给定的不确定性,最后引入了自适应调整的思想提出自适应差分进化人工蜂群算法优化极限学习机算法的模型,将其应用于血液成分定量分析中。实验表明,自适应差分进化人工蜂群算法优化的极限学习机模型具有较高的预测精度,模型具有较强的稳健性。     

极限学习机在图像隐写分析中的应用

为了有效提高图像隐写分析的检测正确率和速度,特结合单隐层前馈神经网络(SLFN)的特点,提出了一种基于极限学习机(ELM)的隐写分析方法.该方法首先根据Fridrich提出的多域特征提取算法从图像DCT域和空域中提取特征;得到193维原始特征;然后使用"主成份分析"法将其约简至18维;最后采用极限学习机作为分类方法构造隐写分析算法.实验表明,与目前隐写分析算法中广泛使用的支持向量机(SVM)相比,极限学习机参数调节少,学习速度快,以较少的隐层节点数取得了与SVM相似的检测正确率,能够实现针对各类JPEG图像隐写算法的有效检测.     

PSO和Cholesky分解的KELM的基因表达数据分类

核极限学习机(KELM)可使低维空间中线性不可分的数据变得线性可分,增加了ELM算法的鲁棒性,但KELM算法的输入权值参数采用随机初始化,容易导致算法不稳定.为此,本研究提出用粒子群优化算法对KELM中的权值初始参数进行优化、设定,以得到优化的分类器PSO-KELM.由于该算法输出权值求解采用传统的矩阵求逆运算,导致计算复杂,因此再对KELM的输出权值采用Cholesky分解进行优化.经一些标准基因数据集的实验表明,提出的PSO-KELM算法与已有的ELM、KELM、PSO-ELM相比分类精度更高,适用于基因表达数据分类.     

基于改进OS-ELM的冷连轧在线轧制力预报

冷轧轧制力预报结果直接影响板(带)材轧制精度和产品质量。冷轧工艺复杂,参数耦合性强,模型不易建立且与实际偏差较大,针对这些问题,提出一种改进在线序列极限学习机。在初始训练阶段使用量子粒子群算法优化权值和阈值;在线训练阶段根据当前训练数据中隐含层对网络输出的贡献度调节网络的拓扑结构,实现了结构和参数的自组织,并结合极限学习机变形抗力子模型在线预报轧制力。实验结果表明,该自组织在线序列极限学习机在训练速度和精度方面较之人工蜂群优化的反向传播神经网络和基于增强型增量极限学习机有较大的提高。     

基于粒子群优化极限学习机及电容层析成像的两相流流型及其参数预测

提出了一种基于粒子群优化极限学习机及电容层析成像的两相流流型辨识及其参数预测方法。首先,通过粒子群优化极限学习机的连接权值,并使用粒子群优化极限学习机算法对4种典型的油-气两相流流型进行辨识;其次,使用粒子群优化极限学习机算法对流型的参数进行预测;最后进行了仿真实验,结果表明,与极限学习机算法相比,粒子群优化极限学习机算法所需隐层节点数更少,流型辨识率更高,其正确辨识率达100%,对4种流型参数预测的最大相对误差为5.24%。     

基于BSA-RELM的纯电动汽车锂离子电池SOC估计

提出一种基于鸟群算法优化鲁棒极限学习机的锂离子电池荷电状态估计算法。鲁棒极限学习机克服了极限学习机不能处理异常值的缺点,提高了网络的预测准确率。利用鸟群算法优化鲁棒极限学习机的隐层节点数和调节因子等参数,解决隐层节点数和调节因子等参数难以确定的问题,可进一步提高网络的收敛速度,且利于寻找全局最优值。利用ADVISOR软件采集影响电池荷电状态的主要参数:电流、电压、温度和内阻等进行建模和测试。仿真结果表明,采用鸟群算法优化鲁棒极限学习机比BPNN、RBFNN和FNN的估计误差更小,具有更高的预测精度。     

基于ELM的可折支撑锁机构可靠性及其敏感度分析

 针对大多可靠性工程问题中机构极限状态函数为隐式的情况,提出了一种基于极限学习机（ELM）回归近似极限状态方程的可靠性及灵敏度分析的新方法.通过极限学习机与蒙特卡洛法相结合,利用极限学习机快速学习的能力,将复杂或隐式极限状态方程近似等价为显式极限状态方程,运用蒙特卡洛法计算出机构的失效概率,然后由高精度的显式极限状态方程进行各随机变量参数的灵敏度分析.该方法采用了基于单隐层前馈神经网络极限学习算法,因而在拟合非线性极限状态方程上表现优越,计算精度和效率高.最后以某型起落架中可折支撑锁机构为对象,进行了机构的可靠性及敏感度分析.结果表明：该方法具有高精度和高效率的优点,在工程应用上具有一定的价值．     

前馈神经网络混合训练算法及其应用

介绍了单隐层前馈神经网络的混合训练算法(HFM)和正则化混合训练算法(RHFM),然后将该算法应用于UCI数据库上的实际回归例子中,并将其与BP、NNRW以及FM算法进行了比较.仿真实验表明,HFM算法的收敛速度优于其它几种算法,RHFM算法有较好的泛化性能,而NNRW算法在训练时间上占优,尽管如此,HFM算法在时间上还是大大优于BP算法.说明,混合训练算法是一种有效的算法.     

基于MO-PLP-ELM及电容层析成像的两相流流型辨识

提出一种基于多目标优化并行感知器的极限学习机(MO-PLP-ELM)及电容层析成像(ECT)技术的两相流流型辨识算法。首先,为保证样本具有代表性,采用随机思想生成7类流型的训练及测试样本集;其次,对样本模型的电容数据归一化处理;最后,采用MO-PLP-ELM算法进行流型辨识,并与常用的BP神经网络、支持向量机、极限学习机及并行感知器改进极限学习机算法进行比较,结果表明,提出的MO-PLP-ELM算法其辨识率明显高于其它算法,平均辨识率达96.1%。     

基于混合鸡群算法和核极端学习机的锅炉NOx排放的预测

以某300MW亚临界循环流化床锅炉为研究对象,对锅炉的NOx排放量进行预测。利用模拟退火混合鸡群算法(SACSO)和核极端学习机(KELM)对不同工况下NOx的排放量进行建模;对比了差分进化算法,粒子群算法和原始鸡群算法,证明了改进后算法的优越性;之后,又对传统BP算法,支持向量机,极端学习机和核极端学习机模型进行对比;最终确定的SACSO-KELM模型具有更高的预测精度和稳定性以及更好的泛化能力,可选择将此模型用于锅炉NOx排放的建模预测。