在线序列ELM算法及其发展

目的综述在线序列ELM算法及其改进,为相关研究者提供该研究方向的发展历史和最新结果。方法从在线序列ELM的基本思想与基本理论出发,通过分析总结其优点与不足,概括基于不同角度的在线序列ELM算法改进。结果对在线序列ELM算法及其发展进行了全面系统的分析、归纳和总结。结论在线序列ELM算法的主要发展方向可聚焦于:如何建立新的可调整网络结构的在线序列ELM算法,以及如何提高算法稳定性两个方面。

基于核函数的在线序列ELM模型

采用在线序列ELM算法的基本思想,推导出基于核函数的具有在线序列学习模式的ELM算法.算法将黄等人提出的基于核函数的ELM模型与在线序列模式相结合,推导出在线序列模式下加核ELM输出函数模型.与原始ELM算法输出相比更简单且具有在线学习的能力.

基于在线序列ELM算法的高效股票预测

传统的股票预测方法通常采用前一段时间的股票价格预测后一段时间的股票价格.本文提出了一种仅用前一天的股票数据预测后一段时间的股票数据的新方法,先对股市收集到的原始数据进行错位排序,然后采用在线序列ELM算法进行预测.预测结果显示,这样不仅预测精度高,而且速度也很快.

基于核函数的在线序列ELM算法的姿态识别

姿态识别是许多应用的基础(医学、运动、游戏、安全).传统的识别算法采用批学习的方式去训练网络,但是数据量庞大且数据不会一次性获取,这会导致这类算法花费大量的学习时间且网络权重也不能在线更新.对此利用一种基于核函数的在线序列极限学习机OS-KELM(Online Sequential Kernel Extreme Learning Machine)算法实现人体姿态的分类识别.为降低学习难度和提高学习效率,使用了基于Fisher准则和特征聚类的方法进行特征选择.用手机的三轴加速度计和陀螺仪数据识别人走路、下楼、上楼、站立、坐和躺下的姿态,平均识别精度达到91.89%.

基于DKP和OS-KELM算法的姿态识别

提出了一种基于智能手机识别人体姿态的神经网络分类器的设计方案.该设计的主旨是用第一级分类器区分动态和静态动作,然后用第二级分类器分别识别这两类动作.第一级分类器采用直接核感知机DKP(Direct Kernel Perceptron),其具有简单、快速,α系数可直接计算得出而无需任何反复训练的特点.在线序列核极限学习机OS-KELM(Online Sequential Kernel Extreme Learning Machine)因其高效性被作为第二级分类器.实验结果成功验证提出的识别方案是可行的.

基于AOS-ELM的高铁频谱预测策略

针对高铁无线通信环境中频谱利用率低且网络环境复杂这一现实问题,提出一种基于自适应在线极限学习机(Adaptive Online Sequence Extreme Learning Machine,AOS-ELM)的频谱状态预测模型。利用计算机产生与实际环境相符且在一定时间内满足指数分布的主用户到来时间及满足正态分布的持续时间,建立频谱状态模型。提出基于自适应神经元构造法和Cholesky分解的AOS-ELM,通过二者对模型的优化,提高模型灵活性及泛化能力,简化计算复杂度。将一维数据利用交互信息法和Cao氏计算法分别计算延迟时间和嵌入维数,构造相应样本,并送入ELM计算相对较优的初始隐层节点数,进而利用AOS-ELM进行频谱状态的预测,并与ELM和在线序列ELM(Online Sequence ELM,OS-ELM)等模型进行对比。研究结果表明:该模型可用于预知频谱状态,指导信道择优分配,提高频谱利用率。在提高预测精度的同时,显著降低了频谱预测时间,具有一定的适用性及实用性。