共查询到19条相似文献，搜索用时 379 毫秒
1.
2.
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
3.
《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
4.
极端学习机作为传统单隐层前馈神经网络（Single HiddenLayerFeedforwardNetworks,SLFNs）的拓展在模式识别领域成为新的研究热点之一,然而已有的极端学习机算法及其改进不能较好地利用数据蕴含的判别信息。针对该问题,提出一种基于判别信息的正则极端学习机（DiscriminativeInformationRegularizedExtremeLearningMachine,IELM）。对于模式识别问题,IELM引入同类离散度和异类离散度的概念,体现输入空间数据的判别信息,通过最大化异类离散度和最小化同类离散度,优化极端学习机的输出权值,从而在一定程度上提高ELM的分类性能和泛化能力。为了评价和验证所提出方法的有效性,使用Yale、YaleB、ORL、UMIST人脸数据进行实验。结果表明,该算法能够显著提高ELM的分类性能和泛化能力。 相似文献
5.
6.
7.
针对现有BP神经网络选取权值和阈值不精确问题,采用改进量子粒子群优化算法优化BP神经网络权值和阈值。首先在改进的量子粒子群优化算法中,采用双层多种群优化策略提高整个种群的寻优能力,然后在每个子群中使用混沌反向学习和Levy飞行增强子群寻优能力,最后利用改进的量子粒子群优化BP神经网络权值和阈值。实验结果表明,改进的量子粒子群优化算法能有效提高BP神经网络的全局寻优能力和收敛性,对数控高速铣削加工的铣削力进行准确预测。 相似文献
8.
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
9.
针对智能交通系统中车辆阴影严重影响运动目标检测的问题,在混合高斯前景检测的基础上,提出了一种基于极限学习机的阴影检测方法。该方法只需提取前景像素点处的梯度值及其邻域的方差值来作为特征,并通过极限学习机来对其进行分类,获得真实阴影区域,无需预先设置任何经验阈值。最后实验结果表明,与传统方法相比,该方法不仅实现简单,而且可以准确地检测出阴影内部区域和阴影边缘区域。 相似文献
10.
基于极限学习机（ELM）构建的大坝变形预测模型易受连接权值、隐含层阈值及隐含层节点数影响,为获取更优的形变预测值,并改善模型预测可靠性,构建一种基于 EMD-PSO-ELM 算法,考虑时效、温度、水位等多因素的大坝变形预测模型。该模型首先从时频分析出发,利用经验模态分解（EMD）将变形时间序列分解成具有不同频率特征的分量|然后利用 PSO-ELM 模型解求形变预测值,重构获得大坝形变趋势。实验结果表明,融合时效、温度、水位等多因素的 EMD-PSO-ELM 大坝变形预测模型残差均方根误差为 1.83mm,平均绝对误差为 1.57mm,平均绝对百分比误差为 1.79%,比 ELM 模型与 EMD-ELM 模型相关误差值更小,在大坝变形预测方面性能更优。 相似文献
11.
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
12.
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
13.
微博热点话题预测是一类小样本、不确定性的复杂预测问题,传统线性方法不能刻画微博热点话题的变化规律,神经网络存在过拟合、泛化能力不强等缺陷.为了提高微博热点话题的预测精度,提出了一种改进量子粒子群(QPSO)算法优化LSSVM的微博热点话题预测模型(MQPSO-LSSVM).首先采用MQPSO算法优化LSSVM的参数,然后将优化后的LSSVM对微博热点话题变化趋势进行建模,最后选取具体微博热点话题数据进行仿真实验.实验结果表明,MQPSO-LSSVM提高了微博热点话题的预测精度,预测结果具有一定实用价值. 相似文献
14.
15.
三维模型相似性分析是计算机视觉中的重点问题,如何构建其形状特征和对比函数是难点。随着深度学习出现,通过神经网络自动提取模型特征成为研究热点。构建了双层CNN网络,首先利用热核特征函数分别构建带有颜色的刚性和非刚性训练集与测试集,其次将数据集通过双层CNN网络进行模型训练,第一层实现类别初步判定,第二层实现同一模型刚性与非刚性形变区分。为了提高分类准确度,对初步分类错误的模型引入阈值判定,将其直接排除。通过实验分析,双层CNN网络刚性与非刚性的判别准确率达到99%。实验证明,该方法在模型相似性分析上是鲁棒的,且提取的特征不受人工干扰。 相似文献
16.
基于模糊观测数据的RBF神经网络回归模型 总被引：1，自引：0，他引：1
提出了一种基于模糊观测数据的RBF神经网络（FORBFNN）,用于解决一类输出不可精确测量但可用模糊隶属度来表征的非线性系统建模问题．神经网络模型中各隐层神经单元的权重系数采用一种新的模糊EM算法辨识获得;隐层神经单元的数量及径向基函数的中心和宽度基于一种数据驱动的方法自适应确定,即首先初始生成一个隐层单元,然后根据一定的规则逐步加入新的单元,该过程不断迭代直到模型满足预设要求．该方法同时考虑了模型的复杂度及预测精度．数值模拟实验结果表明该建模方法是有效的,且建立的模型具有较高的预测精度． 相似文献
17.
王安福 《郧阳师范高等专科学校学报》2010,30(3):16-17
利用拥有n个粒子的一维簇态实现量子密集编码,通过量子编码,实现了传送n/2（n为偶数）或（n＋1）/2（n为奇数）个量子比特而达到传送n个比特经典信息的目的. 相似文献
18.
19.
氨系水相优化合成CdTe量子点的研究 总被引：1，自引：0，他引：1
用巯基丙酸（MPA）作稳定剂,无需氮气或氩气保护下,在氨系水相中通过超声合成CdTe量子点的前驱体,前驱体经水浴回流制备粒径可调的CdTe量子点．通过荧光和吸收光谱、透射电子显微镜和红外光谱对产物进行了表征．试验表明：反应时间、温度、pH值、Cd^2＋、HTe^-、MPA的物质的量比,对量子点的粒径大小、粒径分布和粒径生长速度均有很大的影响．n（HTe^-）：n（Cd^2＋）：n（MPA）：1：3：6,pH=9．8条件下合成前驱体,在92＋1℃水浴下回流,可以快速获得长波长、高荧光的CdTe量子点,合成的量子点储存6个月后经稳态／瞬态荧光光谱仪测定,外量子效率仍为16．45％． 相似文献