基于优化模糊加权核极限学习机的下肢运动识别方法

为了提高基于表面肌电信号下肢运动识别的准确性,提出了一种优化模糊加权核极限学习机(Kernel-based Fuzzy Weighted Extreme Learning Machine,KFWELM)的下肢运动识别方法。首先提取表面肌电信号的时域、频域、非线性特征,使用局部Fisher判别分析(Local Fisher Discriminant Analysis,LFDA)和局部保持投影(Locality Preserving Projections,LPP)进行特征降维处理,以减少原特征的信息丢失;其次,采用改进高斯量子粒子群算法(Gaussian Quantum Particle Swarm Optimization,GQPSO)优化KFWELM的正则化系数和核参数;最后进行决策级自适应融合得到分类结果。利用UCI数据库中的数据集进行算法验证,健康人群和患病人群下肢运动分类的平均准确率分别为96.6%和92.8%。实验表明,所提出的方法提高了下肢运动分类的准确率和有效性。

基于WKELM的GIS机械故障诊断研究

气体绝缘组合开关作为电力系统中的关键组件,其安全稳定运行是保障电力系统安全稳定的必要基础。针对现有诊断方法面对不平衡小样本数据表现不佳的问题,提出一种基于加权核极限学习机(WKELM)的GIS机械故障诊断模型。该方案先对GIS声音信号进行预处理并计算短时能量谱,再提取短时能量和能量熵等特征,构建WKELM机械故障诊断模型,挖掘特征向量与GIS运行状态之间的映射关系。实验表明,所提出的方法能有效提高面对不平衡小样本数据的诊断性能。

基于SPCSE与WKELM的网络入侵检测方法研究

网络入侵检测系统是用于保护系统免受非法攻击的重要网络防御工具,网络入侵行为复杂的、冗长的特征严重影响网络入侵的检测效果。现提出一种基于稀疏主成分空间嵌入与加权核极限学习机的网络入侵检测方法。为了有效约简网络入侵数据的特征,提出一种基于稀疏主成分的特征约简的降维算法,即稀疏主成分空间嵌入算法(SPCSE)。同时,为了改进极限学习机的检测效果,提出一种加权核极限学习机算法(WKELM),它采用核函数代替包含激活函数的加权极限学习机隐层随机特征映射,有利于提高算法的非线性处理能力和鲁棒性。仿真结果显示加权核极限学习机对于网络入侵的检测精度95%,极限学习机对于网络入侵的检测精度92%,而提出的网络入侵检测方法对于网络入侵的检测精度达到98.5%,表明提出的网络入侵检测方法对于网络入侵的检测结果优于传统极限学习机以及加权核极限学习机。

基于LBP和ELM的人脸识别算法研究与实现

针对传统的局部二值模式(LBP)在人脸图像特征提取时容易受到灰度和噪声影响的问题,在传统LBP基础上提出一种改进的LBP算法。该算法计算邻域各像素与中心像素差值的平方和C,若C在限定范围内,选取中心像素值为阈值计算LBP值,充分考虑中心像素值与邻域像素值的作用,更准确描述局部图像特征;反之,若C不在限定范围内,则选择邻域像素和中心像素的中值作为阈值进行计算,降低噪声点的影响。利用主成分分析法(PCA)降低LBP提取的人脸图像特征维数。为了解决普通极限学习机(ELM)的不足,引入加权共轭核极限学习机(WCGKELM)进行人脸图像特征的分类。经实验验证,该算法能有效提高人脸识别率。

一种改进的l_(p)-RWMKE-ELM故障诊断模型

针对装备各类故障样本分布不平衡、现有算法故障诊断精度较低的问题,通过引入p范数约束多核极限学习机和基于AdaBoost的集成学习策略,定义了一种p范数约束下正则化加权多核集成极限学习机的故障诊断模型.首先,在p范数约束下,基于各类故障样本自身规模,分别进行了两种自适应的样本权重分配;其次,在每层分类器的优化中,将多核学习的多源数据融合能力和极限学习机运算高效的特点相结合,同时,将样本的权重W更新融入到多核极限学习机的优化进程;最后,通过Adaboost集成策略,自适应提升富含信息的样本在模型中的权重,从而显著提升故障诊断的精度.以6个UCI公共数据集以及1个实装案例为例,进行了故障诊断实验.结果表明,与核极限学习机、加权核极限学习机(使用W((1))和W(2)加权方式)以及多核极限学习机(在1范数和p范数约束下)相比,诊断精度有显著提升;范数约束形式对模型的诊断性能影响有限.