极限学习机
极限学习机的相关文献在2007年到2022年内共计2472篇,主要集中在自动化技术、计算机技术、电工技术、机械、仪表工业
等领域,其中期刊论文1744篇、会议论文50篇、专利文献2555379篇;相关期刊674种,包括科学技术与工程、农业机械学报、现代电子技术等;
相关会议39种,包括2016年全国设备监测诊断与维护学术会议、第十五届全国设备故障诊断学术会议、第十七届全国设备监测与诊断学术会议、2016年全国设备诊断工程会议、第二十届全国自动化应用技术学术交流会、2015全国理论计算机科学学术年会等;极限学习机的相关文献由6725位作者贡献,包括王欣、秦斌、邹伟东等。
极限学习机—发文量
专利文献>
论文:2555379篇
占比:99.93%
总计:2557173篇
极限学习机
-研究学者
- 王欣
- 秦斌
- 邹伟东
- 于化龙
- 夏元清
- 刘坤
- 刘民
- 吴澄
- 崔东文
- 陈龙
- 何勇
- 刘博
- 刘震
- 张英堂
- 张金会
- 戴荔
- 李伟
- 李志宁
- 李慧芳
- 甘旭升
- 翟弟华
- 许玉格
- 闫德勤
- 闫莉萍
- 陆慧娟
- 吴丽君
- 林培杰
- 林小峰
- 梅文娟
- 王平
- 王磊
- 秦波
- 程树英
- 程玉胜
- 续欣莹
- 肖冬
- 陈志聪
- 刘涛
- 刘青
- 刘飞
- 卞希慧
- 孙玉坤
- 尹刚
- 张宇
- 强彦
- 李太福
- 李春祥
- 李钰祥
- 王之琼
- 王建国
-
-
李胜楠;
王怀秀;
王亚慧;
宋洋
-
-
摘要:
燃气调压器存在故障数据样本少、发生故障不易察觉等问题,传统的离线诊断模型难以有效学习故障数据的特征信息且难以实时更新诊断系统。针对上述问题,提出一种基于集合经验模态分解(EEMD)、主元分析法(PCA)与在线贯序极限学习机(OSELM)结合的故障诊断方法。利用EEMD对获取的故障数据流进行频域分解,并通过PCA对已分解的不同频率分量进行特征提取;然后,随机选取少量经处理后的故障特征样本利用极限学习机(ELM)算法对模型进行初始化,并将剩余样本经EEMD⁃PCA处理后以数据流的方式对现有模型进行更新,通过在线增量学习方法递推计算故障诊断系统参数并给出诊断决策。利用某调压器故障信息进行仿真实验,结果表明,所提EEMD⁃PCA⁃OSELM故障诊断方法能在保证较高识别率的前提下实现快速故障诊断。
-
-
卢雪琴;
李长安;
吴忠强
-
-
摘要:
提出一种基于鲸鱼算法优化极限学习机的微电网故障诊断方法。首先利用小波包分解对三相故障电压进行分析,计算小波包能量熵组成特征向量作为数据样本;然后通过鲸鱼算法优化极限学习机建立诊断模型对故障类型进行识别和诊断。最后利用鲸鱼算法优化极限学习机的输入权值和隐层神经元阈值,解决了输入权值和隐层神经元阈值随机初始化易影响网络性能的问题,可进一步提高网络的学习速度和泛化能力,有利于进行全局寻优。仿真结果表明,与BP神经网络、RBF神经网络和ELM相比,基于鲸鱼算法优化极限学习机建立的故障诊断模型学习速度更快、泛化能力更强、识别精度更高。
-
-
魏燕明;
甘旭升;
程毅东;
吴依涵;
李胜厚
-
-
摘要:
针对近距与超视距空战的特点,提出一种基于粒子群优化(PSO)算法与极限学习机(ELM)的空战效能评估模型。引入一种基于M估计的ELM,以抵御样本数据中粗差的干扰;采用基于混沌策略的PSO算法优化ELM隐含层的输入权值和偏差,以降低随机选取参数的影响,提升评估模型的精度;利用所建模型对战斗机空战效能进行评估。仿真表明,所提方法仅通过20次迭代就收敛到令人满意的精度,并具较强的抗粗差能力,从而验证了其可行性和有效性。
-
-
李玉玲;
朱咏梅;
刘东红;
顾振飞
-
-
摘要:
众所周知,云数据库已在各行各业广泛应用并且发挥着不可替代的作用。但正是云数据库的可扩展、分布式以及虚拟化的特性,导致了云数据库面对恶意行为时表现出明显的脆弱性。因此为了提高云数据库的安全性,开展针对恶意行为智能检测的相关研究是至关重要的。对粒子群优化算法进行了改进并与核极限学习机相结合,提出了一种基于改进粒子群优化和核极限学习机的恶意行为识别模型(KE-VP),通过分析云数据库上的网络流量来检测是否存在恶意行为并将恶意行为准确分类为具体的攻击类型。通过实验分析,发现KE-VP与现有方案相比具备更好的检测精度和检测效率。
-
-
聂鹏;
贾彤;
张锴锋
-
-
摘要:
为了提高车刀磨损量预测模型的训练速度和在线预测精度,提出了一种基于改进粒子群算法(Improved Particle Swarm Optimization,IPSO)和极限学习机(Extreme Learning Machine,ELM)的刀具磨损量预测方法。采集车削加工中的声发射信号,利用小波包变换理论对信号进行降噪和特征提取,并通过主成分分析对提取的特征进行降维,选取其中对刀具磨损量敏感的特征值组成特征向量。建立基于极限学习机的刀具磨损量预测模型,并通过改进粒子群算法优化模型中的初始权值和阈值。实验结果表明:优化后的刀具磨损量预测模型相比于传统BP神经网络有更快的训练速度,同时改进后的粒子群算法有更好的寻优能力,提高了模型对于刀具磨损量的预测精度。
-
-
孙洁;
崔婷婷;
刘晓悦;
徐彬
-
-
摘要:
针对高炉冶炼过程的复杂、多变以及非线性等因素,提出了一种基于粒子群算法(Particleswarmoptimization,PSO)和遗传算法(Geneticalgorithm,GA)相结合来优化极限学习机(Extremelearningmachine,ELM)的高炉铁水硅含量预测模型。PSO-GA-ELM预测模型,主要是在PSO算法进行适应度值计算、粒子的速度更新和位置更新时将GA算法中的选择、交叉和变异等操作融入其中,使其输出最优的连接权值和阈值代入到ELM模型中。通过对4种不同的预测模型进行实验验证,结果表明,优化后的PSO-GA-ELM模型在进行铁水硅含量预测时的预测精度、学习能力和泛化性能均高于其他三种预测模型。
-
-
王梦娇;
魏新劳
-
-
摘要:
针对传统极限学习机预测模型精度低和稳定性能差的问题,提出了一种利用粒子群算法优化极限学习机的短路电流峰值预测模型。建立超高压输电线路仿真模型,分析短路故障波形特点,获取全相角短路故障电流历史数据,利用平均相对误差、均方根误差、灰色绝对关联度三种精度检验法作为粒子群算法的适应度函数,构建粒子群算法与极限学习机算法相结合的电流预测模型。实验结果表明,以灰色绝对关联度作为适应度函数的粒子群优化极限学习机算法,对短路电流峰值预测精度较高、速度较快,当故障点位置未知时,采用粒子群优化极限学习机算法依然可以准确预测短路电流峰值,提升了算法应用的实际意义,为超、特高压线路快速限制、消除短路故障奠定理论基础。
-
-
陈爱萍
-
-
摘要:
由于传统的被动型入侵防御技术应对大数据时代的各种网络攻击能力不足,研究使用粒子群优化算法优化极限学习机隐含层神经元的内连接权值,解决了随机产生权值造成的分类检测稳定性不足、分类效果差的问题。仿真实验选取CUP99数据集进行性能测试,与经典的极限学习机模型对比发现,该文提出的PSO-ELM算法,其入侵检测的平均识别准确率高达98%以上,且收敛速度快、稳定性较好,明显优于ELM神经网络模型,应对大数据时代的网络入侵效果尤为理想。
-
-
谢伟鸿;
姚磊;
李睿欣
-
-
摘要:
非侵入式负荷识别是高级电力量测系统的首要环节,对智能电网的建设具有重要意义。为解决传统非侵入式负荷识别算法识别速度慢、准确率低的问题,提出一种基于麻雀搜索算法(SSA)优化极限学习机(ELM)的非侵入式负荷识别方法。该方法通过SSA获取ELM隐含层的最优输入权值和阈值,构建出SSA-ELM非侵入式负荷识别模型。在实际采集的6种常用家庭负荷数据集上对该模型进行负荷识别实验,结果表明,基于SSA-ELM的非侵入式负荷识别算法的识别准确率为96.1%,优于传统的ELM(86.3%)和BP神经网络算法(91.8%)。基于SSA-ELM的非侵入式负荷识别算法能有效应用于家庭用电负荷的识别中。
-
-
宋春宁;
盛勇;
宁正高
-
-
摘要:
在脑电(EEG)信号分析方法中,时频分析方法综合考虑了信号的时间与频率两者的分辨率,同时改善了单纯时间域或频率域分析方法的短板。本实验使用S变换代替短时傅里叶变换将左右手运动想象脑电信号转换为二维时频图像形式,然后构建卷积神经网络-极限学习机(CNN-ELM)模型进行分类。在面对小样本训练数据时模型能力受到限制,提出一种数据增强方法,通过ACGAN对时频图像进行生成,有效丰富了训练样本数量。实验结果表明:CNN-ELM模型识别效果好,泛化能力强,进行数据增强后识别正确率得到了进一步的提升。
-
-
-
Zhang Haoyi;
张浩怡;
Li Chunxiang;
李春祥
- 《第十一届全国随机振动理论与应用学术会议》
| 2018年
-
摘要:
本文采用自回归滑动平均(ARMA)模型模拟大跨度斜拉桥的脉动风速时程.通过比较模拟风速功率谱、自相关和互相关函数与目标风速功率谱、自相关和互相关函数的吻合程度,验证数值模拟的有效性,以建立脉动风速数据库.将脉动风速数据库划分为训练集和测试集,运用极限学习机(ELM)对训练集进行学习,进而对脉动风速时程进行预测.结果表明,ELM预测风速的幅值、自相关和互相关函数与目标值吻合很好,是一种有效的大跨度桥梁脉动风速预测算法.
-
-
-
GAO Yun;
高云;
XIANG Jiawei;
向家伟
- 《2018年全国设备监测诊断与维护学术会议暨第十六届全国设备故障诊断学术会议、第十八届全国设备监测与诊断学术会议、2018年全国设备诊断工程会议》
| 2018年
-
摘要:
极限学习机(Extreme Learning Machine,ELM)是一种基于单隐层前馈神经网络的新型快速学习算法,为提高ELM对故障分类的准确性,提出一种基于局部均值分解(Local Mean Decomposition,LMD)的ELM的轴承故障分类方法.首先用LMD对故障信号进行分解,得到若干乘积函数(Production Function,PF),然后提取与原信号相关度较大的PF分量重构成新的待测数据;其次,建立轴承的极限学习机故障分类模型;最后,将参数指标组成的特征向量输入ELM进行故障的分类识别.实验表明,与ELM直接分类相比,新方法能以更高的准确率进行轴承故障分类.
-
-
Pang Shan;
逄珊;
Yang Xinyi;
杨欣毅
- 《2017中国仿真大会》
| 2017年
-
摘要:
极限学习机(ELM)是一种新型的单隐含层神经网络的训练方法,同传统的基于梯度的网络训练方法相比,具有快速的学习速度和更好的泛化性能.ELM在实际应用中往往需要大量的隐含层神经元,由于随机设定输入权值和偏置值,容易导致病态问题的出现.为解决上述问题,提出一种应用量子粒子群(QPSO)优化包括隐含层节点个数在内的网络参数的方法.这种优化基于验证集的均方根误差,考虑到了输入权值矩阵的范数.在典型的回归和分类问题上进行试验证明了算法的有效性.
-
-
WEI Xiao-yan;
韦晓燕;
CHEN Zi-yi;
陈子怡;
ZHOU Yi;
周毅
- 《2019中华医院信息网络大会》
| 2019年
-
摘要:
头皮脑电(electroencephalogram,EEG)中包含了大量的生理和病理信息,在癫痫等脑科疾病的诊断中起着非常重要的作用.当前临床上对EEG信号的分析主要以临床医师目测分析为主,这使临床医师任务繁重,且分析结果没有定量化的标准.因此,癫痫脑电信号的自动化分类在当前临床应用上有着巨大的潜力.提出一种自动检测癫痫发作信号的方法,基于多尺度排列熵结合极限学习机分类器来识别癫痫脑电信号和正常脑电信号.实验结果表明这种自动识别癫痫脑电信号的方法不仅分类精度高,且计算速度快,对于癫痫发作的实时检测应用提供更多的可行性.
-
-
ZHANG Haojie;
张皓杰;
CUI Ningbo;
崔宁博;
XU Ying;
徐颖;
ZHONG Dan;
钟丹;
HU Xiaotao;
胡笑涛;
GONG Daozhi;
龚道枝
- 《中国农业工程学会农业水土工程专业委员会第十届学术研讨会》
| 2018年
-
摘要:
为实现气象资料缺失情况下ET0的精确预报,选取中国西北旱区4个代表性站点的气象资料,建立15种基于极限学习机(ELM)的ET0预报模型,并通过与其他ET0计算模型对比和可移植性分析探究ELM在西北旱区的适用性.结果表明:基于温度和风速的ELM7,预报精度较高(整体评价指标GPI排名第4);基于温度和辐射的ELM5,预报精度(GPI排名第6)明显高于Iramk模型和Jensen-Haise模型;仅基于温度的ELM9预报精度(GPI排名第8)高于Hargreaves-Samani模型.通过模型可移植性分析发现,ELM7,在西北旱区内各训练站点和预测站点组合下预报精度良好.因此,可将ELM5,(输入温度和辐射)、ELM7,(输入温度和风速)和ELM9(输入温度)作为西北旱区较少气象参数输入情况下精确预报ET0的推荐模型.
-
-
LIU Lu;
刘鹭;
CAO Zhengcai;
曹政才
- 《第五届全国现代制造集成技术学术会议》
| 2018年
-
摘要:
准确的负荷预测对确保智能电网的电力系统安全稳定运行具有重要意义.受多种因素的影响,电力负荷曲线呈现出非线性特性,因此电力负荷预测问题的解决需要建立在非线性模型的基础之上.为了提高智能电网电力负荷预测的效率与准确性,提出了一种天牛须搜索(BAS)算法和极限学习机(ELM)相结合的负荷预测模型,BAS寻找ELM网络中最优的输入权值、隐含层阈值.最后通过模拟实验数据分析,BAS_ELM模型比ELM和PSO_ELM模型预测性能更优.
-
-