基于小波核极限学习机的烟叶烘烤过程的智能识别

烟叶烘烤设备操作复杂、技术含量高、熟练掌握烟叶烘烤技术人员不足等问题,影响了烟叶的烘烤质量。针对上述问题,本文提出了基于小波核极限学习机的烟叶烘烤过程的智能识别方法。实验中对三段式烘烤过程中的叶片变软、主脉变软、勾尖卷边、小打筒、大打筒和干筋6个烘烤阶段分别提取了颜色、纹理和温湿度特征,组建了9维特征向量进入小波核极限学习机,通过增量型算法自适应地选择神经元个数,快速准确地识别了6个阶段,得到了98.33%的识别率。实验结果表明本文提出的基于小波核极限学习机的烟叶烘烤过程的智能识别方法具有一定的可行性,为研发烟叶烘烤智能调控系统奠定了理论基础。

深度学习在多核缓存预取中的应用研究综述

当前人工智能技术应用于系统结构领域的研究前景广阔,特别是将深度学习应用于多核架构的数据预取研究已经成为国内外的研究热点。针对基于深度学习的缓存预取任务进行了研究,形式化地定义了深度学习缓存预取模型。在介绍当前常见的多核缓存架构和预取技术的基础上,全面分析了现有基于深度学习的典型缓存预取器的设计思路。深度学习神经网络在多核缓存预取领域的应用主要采用了深度神经网络、循环神经网络、长短期记忆网络和注意力机制等机器学习方法,综合对比分析现有基于深度学习的数据预取神经网络模型后发现,基于深度学习的多核缓存预取技术在计算成本、模型优化和实用性等方面还存在着局限性,未来在自适应预取模型以及神经网络预取模型的实用性方面还有很大的研究探索空间和发展前景。

基于改进灰狼优化核极限学习机的疾病诊断模型

为提高疾病诊断的效率,本文提出一种改进的灰狼优化算法与核极限学习机的混合模型。通过引入一种新的机制提高灰狼优化算法的探索与利用能力,改进的灰狼优化算法在进行特征选择的同时,也对核极限学习机的2个关键参数进行优化,模型在2个疾病数据集上进行实验验证。实验结果显示:提出的模型在准确率、敏感性、特异性等评价指标方面相对于其他混合模型高出约1%~2%,带特征选择的优化模型相对于没有特征选择的模型在评价指标上也高出约1%~2%。结果表明提出的模型具有一定的优势。

基于时移多尺度波动散布熵和改进核极限学习机的水电机组故障诊断

水电在能源供给结构改革中承担重要角色,随着风、光、潮汐等新型能源的不断接入,水电机组的负荷运行范围不断加宽,导致水电机组发生事故的概率增加,因此,开展水电机组智能故障诊断研究具有十分重要的现实意义。本文针对水电机组振动信号中蕴含大量噪声信号,干扰故障诊断的问题,提出一种时移多尺度波动散布熵和改进核极限学习机相结合的水电机组故障诊断方法。首先,结合信息熵理论与时移思想,在多尺度波动散布熵的基础上,采用时移理论替代多尺度波动散布熵(MFDE)中传统的粗粒化过程,提出时移多尺度波动散布熵(TSMFDE),通过仿真实验,证明所提方法具有良好的时序长度鲁棒性、抗噪性及特征提取能力,解决了传统多尺度熵粗粒化不足的问题。然后,利用具有可移植性强、寻优能力强和收敛速度快等特征的算术优化算法(AOA)对核极限学习机(KELM)的正则化参数和核函数参数进行寻优,建立AOA-KELM分类器,解决了KELM超参数难以调节的问题。最终,通过转子试验台模拟实验,将TSMFDE提取的特征输入分类器中,完成模式识别工作。仿真结果表明,所提模型取得最高的诊断精度,达到了100.0%,相对于其他流行模型,本文所提模型展现了明显的优势,验证了所提模型的良好诊断精度。

基于极限学习机和boosting多核学习的目标跟踪算法

如何构造鲁棒的分类器一直是基于判别式的目标跟踪算法研究的热点,近些年多核学习通过线性组合多个核分类器达到了更好的分类性能,受到了广泛的关注。传统的多核学习需要解复杂的最优化问题,很难直接应用到目标跟踪中,因此提出一种基于boosting学习框架的多核学习算法,使目标跟踪在复杂场景下可以保持跟踪的实时性和准确性。为了进一步减少计算量和提升分类性能,采用极限学习机(extreme learning machine,ELM)作为基分类器,ELM结构简单,训练速度非常快,并且比支持向量机有更好的泛化能力。最后,将本文算法与其他先进的跟踪算法在多个公开视频序列中进行比较,验证了本文算法性能的有效性。

基于多核学习的单分类多示例学习算法

将多核学习引入到单分类多示例学习中,提出了一种基于多核学习的单分类多示例支持向量数据描述算法,解决了多核学习方法在实际应用中多示例数据具有比较复杂分布结构的学习问题。本文算法是将多个示例数据通过多个不同的核函数多核映射到特征空间,在特征空间中通过支持向量数据描述算法构建球形分类器。该算法采用迭代优化框架,首先,根据初始化包中的正示例来优化目标函数以此建立分类器。然后,根据上一步得到的分类器再对包中的正示例的标签进行更新。最后,在Corel、VOC 2007和Messidor数据集上的实验结果表明,所提出的算法比单核多示例方法具有更好的性能,进一步验证了算法的可行性和有效性。

高光谱结合哈里斯鹰优化核极限学习机鉴别化橘红胎切片年份

化橘红胎是药用历史悠久的广东省道地中药材,由于其制品收藏年份越久远价格越高,市面上常有以次充好的现象。为此,采用高光谱成像技术,结合哈里斯鹰优化核极限学习机对四组不同年份的化橘红胎切片样品进行鉴别。采集四个年份共193个化橘红胎切片样本400~1000 nm的高光谱图像。首先采用主成分分析法(PCA)分析化橘红胎切片的原始反射光谱,然后分别采用Savitzky-Golay平滑(S-G平滑)、多元散射校正(MSC)、标准正态变量交换(SNV)对样本光谱进行预处理并建立核极限学习机(KELM)模型;发现经SNV处理的样本光谱的判别准确率最高,训练集达到99.24%,测试集95.56%;进一步用竞争性自适应重加权算法(CARS)、蒙特卡洛无信息变量消除法(MCUVE)对样本光谱进行特征波长的选择;最后,采用KELM建立判别模型,同时使用哈里斯鹰算法(HHO)优化KELM参数选择并比较建模效果。结果表明:基于HHO-KELM的判别效果相较KELM有0.76%~4.44%的提升,通过MCUVE筛选所得特征波段信息冗余明显减少且精度提升,训练集和测试集最佳准确率均可达100%,故采用高光谱成像技术可以实现对不同年份的化橘红胎切片进行无损鉴别。

基于Boosting框架的非稀疏多核学习方法

针对传统的分类器集成的每次迭代通常是将单个最优个体分类器集成到强分类器中,而其他可能有辅助作用的个体分类器被简单抛弃的问题,提出了一种基于Boosting框架的非稀疏多核学习方法 MKL-Boost。利用分类器集成学习的思想,每次迭代时,首先从训练集中选取一个训练子集,然后利用正则化非稀疏多核学习方法训练最优个体分类器,求得的个体分类器考虑了M个基本核的最优非稀疏线性凸组合,通过对核组合系数施加LP范数约束,一些好的核得以保留,从而保留了更多的有用特征信息,差的核将会被去掉,保证了有选择性的核融合,再将基于核组合的最优个体分类器集成到强分类器中。提出的算法既具有Boosting集成学习的优点,同时具有正则化非稀疏多核学习的优点,实验表明,相对于其他Boosting算法,MKL-Boost可以在较少的迭代次数内获得较高的分类精度。

基于北方苍鹰优化核极限学习机的玉米品种鉴别研究

玉米作为我国种植最为广泛的农作物,其产量对于我国粮食安全具有重大意义,由于不同品种具有不同的特性,根据种植条件科学选种能够很大限度上提高产量并且降低生产成本,但不同玉米种子外观极其相似,导致科学选种工作产生了一定难度。该研究基于近红外光谱技术结合核极限学习机(KELM)针对玉米品种分类问题构建鉴别模型,利用甜糯黄玉米、甜妃、昌甜、金色超人、香甜5号五种玉米种子,每种取(13±0.5)g作为一份样品,共计126个样品作为研究对象,对采集的近红外光谱数据进行标准正态变量变换(SNV)处理后采用竞争性自适应重加权采样法(CARS)对数据集进行降维。按照5∶1的比例将样本随机分为训练集和测试集,探讨北方苍鹰优化算法(NGO)对KELM模型性能的影响。分别使用NGO算法、粒子群算法(PSO)和灰狼算法(GWO)对KELM模型的两个重要参正则化参数C和高斯核函数γ进行寻优,选择五折交叉验证识别准确率最高时对应的C和γ作为建模参数,建立KELM分类模型。将各算法寻优后建立的KELM模型性能进行对比。实验发现,通过NGO算法寻优后建立的KELM模型性能高于其他两种算法优化的KELM模型,测试集识别准确率可达100%。在CARS降维的基础上分别建立CARS-NGO-KELM、CARS-PSO-KELM和CARS-GWO-KELM模型,结果表明,在面对降维后的数据时NGO算法仍能表现较好的性能,其测试集准确率和F 1值均达到了100%。为了验证样本数量对模型的影响,使用各品种样品数量同步后的共计90个样品重新训练KELM模型。结果表明,在同步各类样品数量后,各个模型在训练集和测试集上的表现均有提升。该研究在近红外光谱的基础上引入多种优化算法构建核极限学习机模型并将识别准确率提升至100%,实现了对玉米种子快速、无损、准确的品种鉴别,研究结果为玉米品种快速鉴别提供了一种新方法,同时也对监管部门具有一定的指导意义。

基于差分进化改进混合核极限学习机的指纹定位

针对极限学习机(extreme learning machine,ELM)指纹定位泛化性能弱、鲁棒性差等问题,提出一种改进的差分进化算法优化混合核极限学习机的指纹定位方法。该方法利用改进型的Logistic混沌映射提高差分进化算法全局搜索的能力,同时利用动态控制参数法避免差分进化算法陷入局部最优,然后通过改进差分进化算法自适应调整混合核极限学习机的参数,提高训练效率。在线阶段,利用混合核函数提高极限学习机的学习性能和泛化性能,并引入L1惩罚函数防止过拟合。其泛化能力相较于单一核极限学习机提升明显。该方法有92%的测试点定位误差小于0.5 m,平均误差相较于加权K近邻法(weighted Knearest neighbor,WKNN)降低了32.6%。

基于主动学习和二次有理核的模型无关局部解释方法

深度学习模型的广泛使用,在更大程度上使人们意识到模型的决策是亟需解决的问题,复杂难以解释的黑盒模型阻碍了算法在实际场景中部署。LIME作为最流行的局部解释方法,生成的扰动数据却具有不稳定性,导致最终的解释产生偏差。针对上述问题,提出了一种基于主动学习和二次有理核的模型无关局部解释方法ActiveLIME,使得局部解释模型更加忠于原始分类器。ActiveLIME生成扰动数据后,通过主动学习的查询策略对扰动数据进行采样,筛选不确定性高的扰动集训练,使用迭代过程中准确度最高的局部模型对感兴趣实例生成解释。并且,针对容易陷入局部过拟合的高维稀疏样本,在模型损失函数中引入了二次有理核来减少过拟合。实验结果表明,所提出的ActiveLIME方法引比传统局部解释方法具有更高的局部保真度和解释质量。

基于递归定量分析与多核学习支持向量机的玻璃纤维增强复合材料缺陷识别技术

为了提高玻璃纤维增强复合材料(Glass Fiber Reinforced Polymer,GFRP)超声检测中缺陷识别技术的准确性,提出基于递归定量分析(Recurrence Quantitative Analysis,RQA)与多核学习支持向量机(MKLSVM)相结合的检测模型,以提高检测GFRP中不同类型缺陷的能力。结果表明,该模型能够准确识别GFRP中的分层缺陷与夹杂缺陷,检测识别率达到92.92%,并且与基于离散小波变换(Discrete Wavelet Transform,DWT)和经验模态分解(Empirical Mode Decomposition,EMD)的MKLSVM检测模型的识别率相比,所提出的检测模型的识别率分别提高了7.5%和3.75%。

基于混核极限学习机的道路高排放源识别方法

由于道路高排放源所产生的污染气体对环境危害巨大,因此实现对高排放源的准确识别具有重要意义。而传统的基于限值划分的识别方法及新兴的人工智能识别方法在模型选择、评价指标、识别性能等方面都存在一定的改进空间,因此针对以上问题,提出一种基于混核极限学习机的道路高排放源识别方法。该方法使用道路遥感监测设备获取的移动源遥测数据,在核极限学习机的基础上融合不同核函数,可提升模型鲁棒性及道路高排放源识别性能。针对合肥市蜀山区真实道路遥测数据上的分析结果表明,该方法相比于其他方法具有较高的F1分数以及较低的漏报率、虚警率,证实了该方法在高排放源识别中的有效性。因此,该方法有助于对交通路网中高排放车辆进行高效识别,为进一步提升城市空气质量提供支撑。

基于数据分解与斑马算法优化的混合核极限学习机月径流预测

为提高月径流预测精度,改进混合核极限学习机(HKELM)预测性能,提出小波包分解(WPT)-斑马优化算法(ZOA)-HKELM组合模型。利用WPT处理月径流时序数据,构建局部高斯径向基核函数和全局多项式核函数相混合的HKELM;通过ZOA优化HKELM超参数(正则化参数、核参数、权重系数),建立WPT-ZOA-HKELM组合模型,并构建WPT-遗传算法(GA)-HKELM、WPT-灰狼优化(GWO)算法-HKELM、WPT-鲸鱼优化算法(WOA)-HKELM、WPT-ZOA-极限学习机(ELM)、WPT-ZOA-最小二乘支持向量机(LSSVM)、ZOA-HKELM作对比模型,通过黑河流域莺落峡、讨赖河水文站月径流时间序列预测实例对各模型进行检验。结果表明:(1)莺落峡、讨赖河水文站月径流时间序列WPT-ZOA-HKELM模型预测的平均绝对百分比误差分别为1.054%、0.761%,决定系数均达0.999 9,优于其他对比模型,具有更高的预测精度,预测效果更好。(2)利用ZOA优化HKELM超参数,可提高HKELM预测性能,优化效果优于GWO、WOA、GA。(3)预测模型能充分发挥WPT、ZOA和HKELM优势,提高月径流预测精度;在相同分解和优化情形下,HKELM的预测性能优于ELM、LSSVM。

多极小波包变换与改进浣熊算法优化的混合核极限学习机径流预测

为提高日径流多步预测精度,减少模型计算规模,同时提升浣熊优化(COA)算法和混合核极限学习机(HKELM)性能,提出多极小波包变换(MWPT)-改进COA算法(ICOA)-HKELM日径流时间序列预测模型。首先,利用MWPT将日径流时序数据分解为1个低频分量和2个高频分量,并构建局部高斯径向基核函数和全局多项式核函数相混合的HKELM;其次,简要介绍COA算法原理,基于Circle映射等策略对COA进行改进,提出ICOA算法,通过8个典型函数对ICOA算法进行仿真验证,并与基本COA算法、鲸鱼优化算法(WOA)、灰狼优化算法(GWO)作对比,旨在验证ICOA算法的优化性能;最后,利用ICOA优化HKELM超参数(正则化参数、核参数、权重系数),建立MWPT-ICOA-HKELM模型,并构建MWPT-COA-HKELM、MWPT-WOA-HKELM、MWPT-GWO-HKELM、小波包变换(WPT)-ICOA-HKELM、小波变换(WT)-ICOA-HKELM、MWPT-ICOA-BP模型作对比分析,通过云南省景东、把边水文站2016-2020年日径流时间序列多步预测实例对各模型进行验证。结果表明:(1)ICOA具有较好的改进效果,仿真精度优于COA、WOA、GWO算法。(2)MWPT-ICOA-HKELM模型预测效果优于其他对比模型,其对实例单步预测效果“最好”,超前3步和超前5步“较好”,超前7步“较差”,预测精度随预测步长的增加而降低。(3)利用ICOA优化HKELM超参数,可显著提高HKELM预测性能,超参数优化效果优于COA、WOA、GWO算法。

融合核极限学习机与PSR的混沌交通流预测

传统短时交通流预测精度低、稳定性差,提出一种结合改进蝴蝶算法优化核极限学习机与相空间重构的短时交通流预测模型。结合量子自适应种群初始化、邻域扰动和惯性权重对蝴蝶算法改进,利用改进蝴蝶算法对核极限学习机超参寻优。利用混沌理论确定样本时序最佳延迟时间和嵌入维数,利用PSR对样本重构,利用优化核极限学习机建立短时混沌交通流预测模型。采用郑州市某主干路口车流实测数据进行实证分析,其结果表明,改进模型能够有效降低预测误差,实现混沌交通流实时准确预测。

基于改进Boosting算法的车险理赔额组合模型预测

针对车险理赔额预测中单一机器学习方法存在的问题,提出一种基于Optuna调参后的XGBoost(eXtreme Gradient Boosting)-LightGBM(Light Gradient Boosting Machine)组合模型预测方法。首先,分别构建XGBoost与LightGBM单个模型,并使用Optuna框架对模型参数进行优化;其次,将2个优化后的模型预测结果进行加权融合;最后,采用法国第三方责任险的车险保单数对融合模型进行验证。结果表明,与单一的XGBoost和LightGBM模型相比,经过参数优化后的组合模型在预测车险理赔额时展现出更低的均方根误差,从而证明其更高的预测精度。

基于正规方程的L_(2,1)正则核极限学习机

为了降低核极限学习机的时间复杂度,提出一种基于正规方程的L_(2,1)正则核极限学习机。将L_(2,1)范数引入核极限学习机的目标函数中,利用正规方程法求解L_(2,1)正则核极限学习机的最优输出权值,从而避免模型的过拟合问题,同时提高分类性能。实验结果表明,与传统的核极限学习机相比,所提核极限学习机能够有效减少学习过程中的大量矩阵运算,具有更快的学习速度和更高的分类准确率。

多源域分布下优化权重的迁移学习Boosting方法

深度决策树迁移学习Boosting方法(DTrBoost)仅能适应一个源域与一个目标域的训练数据,无法适应多个不同分布的源域的样本。此外,DTrBoost方法同步地从源域中学习数据至目标域模型,并没有根据重要程度量化学习知识的权重。在实践中,对于某数据集的数据按照某一或某些特征划分出来的数据往往分布不一致,并且这些不同分布的数据对于最终模型的重要性也不一致,知识迁移的权重也因此不平等。针对这一问题,提出了多源域优化权重的迁移学习方法,主要思想是根据不同分布的源域空间计算出到目标域的KL距离,利用KL距离的比值计算出不同分布的源域样本的学习权重比例,从而优化整体梯度函数,使学习方向朝着梯度下降最快的方向进行。使用梯度下降算法能使模型较快收敛,在确保迁移学习效果的同时,也能确保学习的速度。实验结果表明,提出的算法在整体上实现了更好的性能并且对于不同的训练数据能够实现自适应效果,分类错误率平均下降0.013,在效果最好的OCR数据集上下降0.030。

核主元分析与优化核极限学习机模型在电石炉爆炸风险评估中的应用

为准确判断电热法电石生产工艺中电石炉的爆炸风险等级,提出了一种精准有效的风险评估模型。首先,基于危险与可操作性(Hazard and Operability, HAZOP)分析筛选出人、物料、设备、管理四方面的34项爆炸风险因素,考虑到因素间存在非线性关联,采用核主元分析(Kernel Principal Component Analysis, KPCA)进行属性约简,减少冗杂信息的干扰。其次,利用融合了Tent混沌序列、高斯变异与混沌扰动的麻雀搜索算法(Improved Sparrow Search Algorithm, ISSA)寻优核极限学习机(Kernel Extreme Learning Machine, KELM)的惩罚系数与核参数,建立KPCA-ISSA-KELM风险评估模型。最后,使用该模型分析83组实例数据,选取其中59组用于模型训练,其余24组用于测试。在测试结果中,该模型正确分类了22组数据的风险等级,判别准确率为91.67%,在各项性能指标上均优于对照模型,表明该模型对电热法工艺电石炉的爆炸风险等级具备高识别精度。