共查询到20条相似文献，搜索用时 656 毫秒
1.
2.
3.
4.
针对传统极限学习机（ELM）缺乏有效的训练方法、应用时预测精度不理想这一弱点,提出了一种基于遗传算法（GA）训练极限学习机（GA-ELM）的方法。在该方法中,ELM的输入权值和隐藏层节点阈值映射为GA的染色体向量,GA的适应度函数对应ELM的训练误差;通过GA的遗传操作训练ELM,选出使ELM网络误差最小的输入权值和阈值,从而改善ELM的泛化性能。通过与ELM、I-ELM、OS-ELM、B-ELM4种方法的仿真结果对比,表明遗传算法有效地改善了ELM网络的预测精度和泛化能力。 相似文献
5.
6.
为了提高脑力负荷分类准确率,提出一种将Bagging和极限学习机相结合的集成算法。用极限学习机（ELM）作为底层弱分类器,通过多数投票方式决定最终类别的标签,从而构建最终强分类器。实验结果表明,在脑力负荷识别研究问题上,该集成算法的分类准确率在4个被试数据集上分别达到了96.17%、96.02%、92.50%和93.50%。相较于传统的ELM算法,分类准确率在4个被试数据集上分别提升了1.59%、1.34%、2.86%和1.80%。并且新算法在精确率、灵敏度和特异度等评估标准上均高于传统ELM分类器。 相似文献
7.
极端学习机作为单隐层前向神经网络的一种典型学习算法,学习速度快,泛化能力好,在函数逼近和模式分类领域都有广泛应用。本文把极端学习机的应用拓展到滤波器的设计当中,通过对数字信号处理中实例的计算机仿真,验证该算法设计的FIR滤波器具有较好的性能,能够取得理想的滤波效果,通带与阻带边界频率容易精确控制,且初始条件随机给定,算法速度快。 相似文献
8.
《实验室研究与探索》2017,(2):102-106
针对极限学习机容易导致过拟合、泛化能力小等局限性,采用移动加权极限学习机和正则极限学习机优化算法,平衡原始极限学习机存在的结构风险和经验风险,提高极限学习机的泛化能力;并用该算法对墨西哥帽子函数进行三维重构虚拟仿真实验。实验表明,这两种算法能够有效的降低重构误差,提高算法的泛化能力。该仿真实验可用于神经网络及Matlab虚拟仿真实验教学,对提高学生自主学习能力,编程与调试能力起到积极作用。 相似文献
9.
为提高分类性能,提出了一种新的基于数据离散化和选择性集成的SVM集成学习算法。该算法采用粗糙集和布尔推理离散化方法处理数据集,构造有差异的个体SVM以提高集成学习的性能。在训练得到一批SVM之后,算法采用了选择性集成提高性能并减小集成规模。实验结果表明,所提算法能取得比传统集成学习方法Bagging和Adaboost更好的性能。 相似文献
10.
11.
《东南大学学报》2020,(1)
为了在日益复杂的工业建模数据基础上建立一个准确、稳定的软测量模型,提出了一种有效的异构集成极端学习机(HEELM)软测量模型.采用4种不同激活函数的极端学习机和核极端学习机模型用以丰富集成模型的多样性.极限学习机的隐含层节点数通过试错法确定,并以交叉验证为准则来获得最优的核极限学习机模型参数.为了获得集成模型的最佳输出,采用最小二乘回归方法对所有单个模型的输出进行集成.通过2组复杂的工业过程数据集验证了HEELM模型具有很好的预测精度.与单独ELM模型、bagging ELM集成模型、 BP和SVM模型相比,HEELM模型的预测精度提高了4.5%～8.7%,且HEELM模型具有更好的稳定性. 相似文献
12.
为了精确评估个体心理负荷状态,需要获取目标脑电信号数据,脑电信号是评估脑力负荷变化的重要指标。机器学习和神经网络越来越多地用于脑力负荷分类。利用脑电信号特征可在时域和频域中提取突出信息。因此提出一个结合支持向量机（SVM）与超限学习机（ELM）的混合型脑力负荷分类框架。其中支持向量机作为成员分类器,可在高维EEG特征中查找隐藏信息|超限学习机用于融合成员分类器的输出。将ELM-SVM模型与经典脑力负荷分类器进行比较,得出该模型训练精度准确率为1,且测试精度提升0.1个百分点。 相似文献
13.
传统中值滤波对所有像素采用同一的处理方法,导致图像细节信息丢失严重。依据噪声分布特征,设计了基于集内离散度的噪声检测器,并结合自适应中值滤波,实现有针对性的噪声过滤,减少非噪声信息丢失。实验证明,该算法具有较高的消除脉冲噪声和保留细节信息能力。 相似文献
14.
15.
为提高锂电池荷电状态建模预测的精度及泛化能力,提出一种流行正则化框架下的极限学习机建模预测方法。首先,为了解决极限学习机建立预测模型存在过拟合泛化能力弱的问题,以流形假设为依据,在数据输入空间构建图拉普拉斯算子,在其框架内求解极限学习机隐层和输出层之间的权重,达到正则优化目的。其次,针对正则化参数难以选择的问题,提出将差分进化算法融入基于流形正则化框架的极限学习机中以优化其正则化参数。最后,利用采集到的锂电池数据进行了实验验证。结果表明:该方法建立的预测模型预测锂电池SOC精度高,泛化能力强,为锂电池SOC的预测建模提供一种新方法。 相似文献
16.
通过对Web大数据库的访问,提高数据库的查询和信息调度能力。传统方法采用基于信息流减法聚类和模糊C均值调度的数据库访问算法,对数据库访问过程中的稀疏度均衡能力不好。提出一种基于稀疏度均衡调度的数据库优化访问算法,分析了数据库中海量数据存储结构模型,进行数据融合和冗余信息滤除处理。采用稀疏度均衡调度方法进行特征提取和数据库访问过程中的均衡调度,提高数据查准率。仿真结果表明,利用该算法进行数据库访问的均衡性能较好,数据的查准率和查全率较高。 相似文献
17.
针对压缩感知重构算法中信号稀疏度未知和步长大小固定的问题,提出一种新的压缩感知信号重构算法,即基于弱选择的稀疏度自适应回溯追踪（SPWAMP）算法。该算法将自适应思想、变步长迭代思想与回溯思想相结合,在未知信号稀疏度的情况下,利用阈值方法选取预选集,通过变步长更新支撑集原子个数并结合回溯思想剔除不可靠原子,最终实现信号精确重构。仿真结果表明,当信号稀疏度K达到65时,该算法重构精度相对稀疏度自适应匹配追踪（SAMP）算法提高了40%,而此时正交匹配追踪（OMP）算法、子空间追踪（SP）算法和分段弱选择正交匹配追踪（SWOMP）算法已无法实现重构。因此,该算法相对其它同类算法提高了信号重构精度。 相似文献
18.
如何从小样本、高维度特性的功能磁共振成像（fMRI）数据中识别出内在的脑区活动模式,对理解人脑意义重大。随着模式识别技术和机器学习算法的发展,fMRI的分类研究也引起了人们的重视。提出一种对fMRI数据分类的加权随机SVM集群（WRSVMC）算法。该算法分为两步,首先通过随机选择样本和特征建立多个SVM,以构建集成分类器;然后在投票过程中,对每个SVM赋权重,以优化模型的集成性能。结合fMRI数据和图论特征,采用WRSVMC算法对轻度认知障碍（MCI）患者数据展开分类研究。结果表明,准确率最高可达87.67%。该方法能帮助医师对MCI患者进行辅助诊断。 相似文献
19.
为避免接触式疲劳检测方法给驾驶员带来干扰,解决单一信号源对于反映疲劳程度可靠性低的问题,实现对疲劳状态高精度、高速度的检测,提出一种基于正则极限学习机的驾驶员疲劳状态分类方法。该方法通过多普勒雷达模块采集驾驶员生理信号,包括呼吸信号和心跳信号,作为神经网络输入数据。通过多源信息结合的方式提高疲劳状态检测可靠性。设计正则极限学习机（RELM）模型对数据集进行训练。实验结果显示,基于RELM算法模型检测驾驶员疲劳状态的准确率达92%。RELM算法可实现对训练数据的快速计算和学习,同时通过特征变换消除个体差异,实现对驾驶员疲劳状态较高的检测率。 相似文献
20.
在复杂地物类型背景条件下,多目标跟踪算法通常表现出目标识别与跟踪能力较差问题,特别在被其它地物遮挡后目标跟踪丢失更严重。提出一种改进的基于多源特征提取与特征融合的多目标跟踪算法。为提高目标在复杂背景下的空间分辨力,充分利用对异类物体判别能力较强的高层特征和针对同类不同物体判别能力较强的浅层特征,提高复杂背景下地物目标的识别能力。同时,为了解决物体被遮挡后导致跟踪算法丢失目标问题,利用滤波器获得追踪目标的空间尺度大小,提高跟踪算法的准确性与可靠性。实验表明,多目标跟踪算法识别目标的准确性可达87.5%,误差在[±2.31%]左右,具有良好的尺度估计效果。 相似文献