期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
一种基于量子粒子群优化的极限学习机(英文) 被引量:9
1
作者 逄珊 杨欣毅 林学森 《系统仿真学报》 CAS CSCD 北大核心 2017年第10期2447-2458,共12页
极限学习机(ELM)是一种新型的单隐含层神经网络的训练方法,同传统的基于梯度的网络训练方法相比,具有快速的学习速度和更好的泛化性能。ELM在实际应用中往往需要大量的隐含层神经元,由于随机设定输入权值和偏置值,容易导致病态问题的出... 极限学习机(ELM)是一种新型的单隐含层神经网络的训练方法,同传统的基于梯度的网络训练方法相比,具有快速的学习速度和更好的泛化性能。ELM在实际应用中往往需要大量的隐含层神经元,由于随机设定输入权值和偏置值,容易导致病态问题的出现。为解决上述问题,提出一种应用量子粒子群(QPSO)优化包括隐含层节点个数在内的网络参数的方法。这种优化基于验证集的均方根误差,考虑到了输入权值矩阵的范数。在典型的回归和分类问题上进行试验证明了算法的有效性。 展开更多
关键词 极限学习机 单隐含层前馈神经网络 量子粒子群 泛化能力
在线阅读 下载PDF
采用限定记忆极限学习机的过热汽温逆建模研究 被引量:4
2
作者 王万召 王杰 《西安交通大学学报》 EI CAS CSCD 北大核心 2014年第2期32-37,共6页
针对常规极限学习机随着学习次数增加增益矩阵慢慢趋于零、学习算法逐渐失去修正能力而出现"数据饱和"的问题,提出了限定记忆极限学习机算法。该算法在学习过程中每增加一个新数据信息,就去掉一个旧数据信息,权值的学习只依... 针对常规极限学习机随着学习次数增加增益矩阵慢慢趋于零、学习算法逐渐失去修正能力而出现"数据饱和"的问题,提出了限定记忆极限学习机算法。该算法在学习过程中每增加一个新数据信息,就去掉一个旧数据信息,权值的学习只依赖于限定个数的最新数据信息,从而避免出现"数据饱和"。通过分析隐含层数据矩阵的特点,利用分块矩阵计算方法推导了限定记忆极限学习机在线学习算法。将该算法应用于参数时变的过热汽温对象逆模型的辨识,仿真实验结果表明:该算法能有效克服"数据饱和"问题,提高计算精度,是一种实用有效的过热汽温对象逆建模算法。 展开更多
关键词 单隐含层前馈神经网络 限定记忆极限学习机 数据饱和 在线逆建模 过热汽温
在线阅读 下载PDF
基于极端学习机的SLFN谐波检测法
3
作者 项子旋 王振宇 +1 位作者 刘国海 奚家健 《电测与仪表》 北大核心 2013年第8期48-52,共5页
为了解决传统电网谐波检测法的实时性和精确度问题,提出一种基于极端学习机(ELM)单隐层前馈神经网络(SLFN)的谐波检测法。该方法把ELM用于SLFN,将傅里叶变换系数选作ELM模型的检测参数,用广义逆矩阵计算输出层权值的最小二乘解,以获得... 为了解决传统电网谐波检测法的实时性和精确度问题,提出一种基于极端学习机(ELM)单隐层前馈神经网络(SLFN)的谐波检测法。该方法把ELM用于SLFN,将傅里叶变换系数选作ELM模型的检测参数,用广义逆矩阵计算输出层权值的最小二乘解,以获得该模型的最优输出向量,从而改善各次谐波电流的检测性能。运用MATLAB仿真软件进行了仿真实验。结果表明:与基于BP算法的SLFN谐波检测法相比,所提出ELM算法的SLFN谐波检测法达到稳定检测的时间缩短,且检测误差的精度有所提高,达到了有效提升谐波检测实时性和精确度的目的。 展开更多
关键词 极端学习机(ELM) 单隐层前馈神经网络(SLFN) 谐波电流 实时检测 电力网
在线阅读 下载PDF
基于邻域粗糙集的气象因子选择在虾塘水温预测中的应用 被引量:2
4
作者 胡晶晶 罗永明 +3 位作者 张纲强 匡昭敏 谢映 曾行吉 《江苏农业学报》 CSCD 北大核心 2023年第3期732-740,共9页
基于邻域粗糙集对影响虾塘水温变化的气象因子进行选择,并选取模型预测虾塘水温,为南美白对虾养殖趋利避害提供科学参考。首先,将平均气温、最高气温、最低气温、降水量、气压、2 min风速、10 min风速和瞬时风速等8个气象因子组合输入S... 基于邻域粗糙集对影响虾塘水温变化的气象因子进行选择,并选取模型预测虾塘水温,为南美白对虾养殖趋利避害提供科学参考。首先,将平均气温、最高气温、最低气温、降水量、气压、2 min风速、10 min风速和瞬时风速等8个气象因子组合输入SFNN模型(单隐层前馈神经网络模型)、高斯回归模型和岭回归模型进行虾塘水温预测,选取预测效果最好的SFNN模型为本研究预测模型。然后,运用邻域粗糙集和熵理论,考虑气象因子和虾塘水温之间的相关性、冗余性和交互性,选出影响虾塘水温变化的主要气象因子。最后,利用选出的主要气象因子和SFNN模型实现虾塘水温预测。将基于邻域粗糙集选出的5个气象因子组合与8个气象因子组合,以及8个气象单因子分别输入SFNN模型,预测结果表明:邻域粗糙集选出的5个气象因子组合预测结果最好,其预测均方根误差、均方误差、平均绝对误差最小,分别为1.1211、1.2569和0.8938,决定系数(R2)为0.7916;在气象单因子中,气压对虾塘水温的预测结果较好。因此,基于邻域粗糙集选出的5个气象因子组合,通过SFNN模型进行虾塘水温预测结果最好,此方法在南美白对虾养殖趋利避害、防灾减灾中具有一定的实用价值。 展开更多
关键词 虾塘水温 气象因子 邻域粗糙集 sfnn模型
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部