结合并行CNN与极限学习机的高光谱图像分类

针对传统方法不能充分利用高光谱图像的空间和光谱信息,无法进一步提升高光谱图像分类精度的问题,提出了一种结合卷积神经网络的并行异构极限学习机(spatial-spectral convolutional neural network and parallel extreme learning machine,SSCNN-PELM)分类模型。卷积神经网络(convolutional neural network,CNN)由并行的二维卷积(two-dimensional convolution,2D-CNN)和一维卷积(one-dimensional convolution,1D-CNN)构成,其中2D-CNN提取空间信息和部分光谱信息,1D-CNN补偿损失的光谱信息;并行异构极限学习机(parallel extreme learning machine,PELM)将输入层数据并行映射到隐藏层,同时求解出并行隐藏层的连接权重,进而实现特征融合及分类任务。实验结果表明,SSCNN-PELM模型在Indian pines、Pavia university数据集上总体分类精度分别为99.07%、99.51%,对比了支持向量机(support vector machine,SVM)、CNN等分类方法,SSCNN-PELM模型在提高分类精度的同时兼顾了分类速度。

基于GA-PELM的板材热连轧轧制力预测

在板材热连轧过程中,轧制力的计算精度直接影响板带钢的实际厚度,也是实现精准在线控制的前提。然而,由于实际的轧制过程受多种因素影响,使用传统模型进行预测的精度往往比较低。为了提高轧制力的预测精度,提出了并行异构极限学习机(PELM)的轧制力预测模型,该模型学习速度快且泛化能力强,同时为了保证模型的稳定性,采用遗传算法(GA)优化了该模型的权重和偏差。以包头某钢厂2250生产线的实际生产数据为例进行轧制力预测,结果表明,该算法训练的轧制力预测模型有很好的预测精度,适用于热连轧过程的轧制力预测。