在线增量极限学习机及其性能研究

针对在线学习中极限学习机需要事先确定模型结构的问题,提出了兼顾数据增量和结构变化的在线极限学习机算法。算法以在线序列化极限学习机为基础,通过误差变化判断是否新增节点,并利用分块矩阵的广义逆矩阵对新增节点后的模型进行更新,使模型保持较高的正确率。通过在不同类型和大小的数据集上的实验表明,所提算法相较于经典极限学习机及其在线和增量学习版本都具有较好的分类和回归准确率,能够适应不同类型的数据分析任务。

凸增量极限学习机的逼近阶

针对增量极限学习机(Convex incremental extreme learning machine,CI-ELM)的逼近能力分析问题,提出了一种基于Cauchy-Schwarz不等式的方法对CI-ELM算法的逼近阶进行定量分析.该方法针对激活函数g(x)所生成的函数序列定义了一个特殊的规范激活函数空间D,并在D上构造目标函数空间A_1(D),在Cauchy-Schwarz不等式基础上,利用分类讨论思想及数学归纳法对CI-ELM算法的逼近阶进行定量描述,从而初步揭示CI-ELM算法快速收敛的本质.结果证明,在目标函数空间A_1(D)上,CI-ELM逼近阶为O(n-1/2).

关于增量极限学习机的逼近阶估计

与以往探究增量极限学习机的全局逼近能力有所不同,文中给出了该算法定量的收敛性分析。源于纯贪婪算法估计逼近阶的思想,文中运用数列构造与不等式缩放等方法估计增量极限学习机的逼近阶,最终用定理证明了它对于连续目标函数f的逼近阶为o(n-16)。这就对增量极限学习机的快速收敛性能给出了清晰解释。

光纤光栅与增量极限学习机的航天器结构重构

为了解决航天器板状结构变形的监测问题,建立了结构应变检测与形变重构系统,提出了一种基于准分布式光纤光栅传感器网络和改进型增量式极限学习机相结合的结构形变重构方法。采用光纤光栅应变传感技术,搭建了四边固支平板结构应变检测与形变重构装置,每条通道由12个传感器按照四行三列等距离分布组成,并采用完全粘贴方式提高测量的准确度与稳定性。设计了基于增量式极限学习机的结构形变预测模型,经过训练,该模型能够有效的预测结构变形位移量,结合三次样条插值法,实现了变形曲面的三维重构。采用平均绝对误差以及均方根误差两个精度指标对重构方法进行评价,实验结果表明,该检测装置及形变重构方法在不同的变形状态下的平均绝对误差小于0.05 mm,均方根误差小于0.005 mm,满足航天器结构的形变监测需求。

改进式混合增量极限学习机算法

针对增量型极限学习机(I-ELM)中存在大量降低学习效率及准确性的冗余节点的问题,提出一种基于Delta检验(DT)和混沌优化算法(COA)的改进式增量型核极限学习算法.利用COA的全局搜索能力对I-ELM中的隐含层节点参数进行寻优,结合DT算法检验模型输出误差,确定有效的隐含层节点数量,从而降低网络复杂程度,提高算法的学习效率;加入核函数可增强网络的在线预测能力.仿真结果表明,所提出的DCI-ELMK算法具有较好的预测精度和泛化能力,网络结构更为紧凑.

变长增量型极限学习机及其泛化性能研究

极限学习机(ELM)在训练过程中无须调整隐层节点参数,因其高效的训练方式被广泛应用于分类和回归,然而极限学习机也面临着结构选择与过拟合等严重问题。为了解决此问题,针对隐层节点增量数目对收敛速度以及训练时间的影响进行了研究,提出一种利用网络输出误差的变化率控制网络增长速度的变长增量型极限学习机算法(VI-ELM)。通过对多个数据集进行回归和分类问题分析实验,结果表明,提出的方法能够以更高效的训练方式获得良好的泛化性能。

基于增量稀疏核极限学习机的柴油机故障在线诊断

为实现柴油机故障在线诊断,提出了基于增量稀疏核极限学习机(ISKELM)的快速在线诊断方法.针对核在线学习中的样本稀疏化与模型膨胀问题,提出了基于瞬时信息测量的稀疏核函数字典构造策略,根据最小化字典冗余和最大化字典元素自信息量的原则实现样本前向稀疏与后向删减,在最佳阶数内对字典进行在线扩充与修剪,从而建立阶数有限且结构稀疏的诊断模型.针对模型核权重矩阵更新问题,提出了增样学习与改进减样学习算法对核权重矩阵进行在线递推求解,降低了计算复杂度,提高了模型在线更新速度.UCI标准数据与柴油机故障数据分类实验结果表明,与几类现有在线诊断算法相比,ISKELM在保证较高分类精度的同时,极大地提高了在线建模速度,更加快速准确地实现了柴油机故障在线诊断.

基于增量型极限学习机的飞机复合材料结构损伤识别

针对飞机复合材料结构损伤难以有效识别问题,提出一种基于增量型极限学习机(incremental extreme learning machine,I-ELM)的飞机复合材料结构损伤识别新方法。首先对某型机用复合材料层合板进行冲击,而后对其进行疲劳拉伸试验,通过优化布局在复合材料层合板上的光纤光栅传感器募集应变信息,并对其进行预处理。采用互补总体平均经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)方法对募集的应变信息进行自适应分解,得到多个本征模态分量(intrinsic mode function,IMF)。计算各阶IMF分量的样本熵,通过核熵成分分析(kernel entropy component analysis,KECA)方法对样本熵进行特征融合,构建融合特征向量。采用融合特征向量建立基于I-ELM损伤识别模型,通过实验对损伤识别模型的有效性进行了验证,并与所构建的BP的损伤识别模型的识别结果进行了比较。结果表明,该方法能有效对飞机复合材料结构损伤进行识别,具有很好的应用前景。

基于增量式极限学习机的风电场杂波抑制算法研究

由于时变风力涡轮机杂波(WTC)严重影响气象雷达的探测性能,文中将极限学习机(ELM)思想引入到气象雷达风电场杂波抑制中,并针对ELM算法隐藏层节点数难以确定的问题,研究了基于增量式极限学习机(I-ELM)算法以抑制风力涡轮机杂波。首先构建训练样本选取策略,其次对模型参数进行搜索与优化,最后采用I-ELM算法自适应抑制WTC。仿真实验结果表明:该算法有效提高了WTC的抑制性能,实现了气象信号的高精度恢复。

基于极限学习机的未校准图像视觉伺服控制

解决非结构化环境中的机器人视觉伺服控制的主要问题是获得交互矩阵,而解决交互矩阵的常见问题是交互矩阵伪逆的奇异性问题。针对该问题,提出了一种新型的基于图像的视觉伺服控制方法,并采用增量式极限学习机解决图像雅可比矩阵的伪逆逼近问题。为提高系统的收敛速度,采用了具有自适应因子的速度改进控制器。最后,采用了六自由度机械手仿真,验证了所提出方法的有效性和优势,该算法提高了系统的鲁棒性,避免了计算雅可比矩阵的伪逆的问题。

基于压缩动量项的增量型ELM虚拟机能耗预测

在基于基础设施即服务(Infrastructure as a service, IaaS)的云服务模式下,精准的虚拟机能耗预测,对于在众多物理服务器之间进行虚拟机调度策略的制定具有十分重要的意义.针对基于传统的增量型极限学习机(Incremental extreme learning machine, I-ELM)的预测模型存在许多降低虚拟机能耗预测准确性和效率的冗余节点,在现有I-ELM模型中加入压缩动量项将网络训练误差反馈到隐含层的输出中使预测结果更逼近输出样本,能够减少I-ELM的冗余隐含层节点,从而加快I-ELM的网络收敛速度,提高I-ELM的泛化性能.

搜索引导网络辅助的动态粒子群优化算法

在动态优化问题(DOP)中环境的变化可描述为不同类型的动态,动态优化算法(DOA)对环境的适应性十分重要。此外,DOA的局部和全局多样性损失是导致其开发和勘探能力下降的主因之一。在动态环境中保持局部和全局多样性可有效避免多样性损失。为此,提出一种基于搜索引导网络的粒子群优化算法(SGNPSO),每个输入粒子基于SGN隐藏层选择学习目标,在输出层调整其加速系数,从而引导粒子的搜索。SGN属于单隐层径向基神经网络,每个隐藏节点由其中心和半径组成。设置多个相互远离的隐藏节点中心,即子群中心,从而获得多个子群。每个粒子从其所属子群不同个体历史最优位置中选择局部学习目标,从相互远离的多个子群中心中选取全局学习目标,有助于种群的局部和全局多样性保持。SGN以强化学习方式来获得输入粒子的期望输出,并通过极限学习来预训练网络。设计节点的重要性和拥挤度指标,以获取紧凑网络结构,并增量学习保证网络拟合能力。无论环境如何变化,所提方法都能够通过学习来适应不同的环境,以引导粒子的搜索,从而有效处理不同动态的DOP。在MPB和DRPBG标准测试组件上和五种主流DOA开展对比实验,结果表明,SGN-PSO在求解多种动态的DOP上取得了显著的表现提升。

增量型极限学习机改进算法

增量型极限学习机(incremental extreme learning machine,Ⅰ-ELM)在训练过程中,由于输入权值及隐层神经元阈值的随机获取,造成部分隐层神经元的输出权值过小,使其对网络输出贡献小,从而成为无效神经元.这个问题不但使网络变得更加复杂,而且降低了网络的稳定性.针对此问题,本文提出了一种给Ⅰ-ELM隐层输出加上偏置的改进方法(即Ⅱ-ELM),并分析证明了该偏置的存在性.最后对Ⅰ-ELM方法在分类和回归问题上进行仿真对比,验证Ⅱ-ELM的有效性.

基于B-ELM的通航事故预测

高水平的航空安全始终是航空业追求的目标。为了满足未来通航业风险分析和优化的需求,基于美国国家运输安全委员会(NTSB)航空事故数据库近11年的数据,建立了基于极限学习机的小样本事故数据预测模型,并通过实验对比了普通增量式极限学习机模型及传统的小样本数据预测GM(1,1)模型。实验结果证明提出的分析方法和模型在通航业小样本数据集的输入情况下有较高的准确率,能够为行业安全发展起到一定的指导意义。

基于KB-IELM的航空装备状态预测方法研究

针对现有预测方法对动态系统瞬时状态预测能力精度较低的问题,以超限学习机(ELM)为建模基础,将基于核的增量极限学习机应用于状态预测。由于增量学习的应用,使得模型中可以适用在线状态数据按照时间序列到达的特点,避免重新训练并减少时间的开销。同时核函数的应用有效提高了模型的计算效率,在提高算法稳定性的同时,有效提高了状态预测的准确性。以两个实例来进行仿真实验。结果表明所提算法与相比于ReOS-ELM、ALD-KOS-ELM和FOKELM三种方法,具有明显的优势。