基于PSO-ELM模型的冻融期土壤蒸发预报

准确预测冻融期土壤蒸发量,对于干旱半干旱地区水资源高效利用有着重要意义.基于传统极限学习机(ELM)输入权值与阈值随机给定导致预测结果精度不高的问题,提出了一种基于粒子群算法(PSO)优化极限学习机的冻融期土壤蒸发预测模型.以2016-2017年冻融期9个影响土壤蒸发的因素作为输入因子,实测土壤蒸发量作为输出因子,分别...     

膜计算粒子群算法改进极限学习机的水肥预测模型研究

针对灌溉系统水肥预测计算复杂、预测精度不高、实时性不强等问题,提出膜计算粒子群算法改进极限学习机(MCPSO-ELM)的水肥预测模型.为提高极限学习机的泛化能力和预测精度,引入粒子群算法与膜计算进行优化,利用粒子群算法的高效率搜索能力与膜计算的平行计算优势,大幅度提高收敛速度和搜索精度,不断迭代优化ELM网络的连接权值...     

基于正则化TSVR的甘蔗收割机切割器入土切割负载压力预测研究

为更准确、快速地对甘蔗收割机切割器入土切割时负载压力的预测,以机车行进速度、土壤含水率、土壤密度、刀盘入土深度以及甘蔗密度为模型输入,基于正则化孪生支持向量回归机(ITSVR)模型,结合基于遗传算法的粒子群优化算法对切割器负载压力进行仿真模拟预测,并将仿真结果与BP神经网络、支持向量回归(TSVR)、极限学习机(ELM...     

基于烟花算法优化极限学习机的温室参考作物蒸散量预测研究

为提高温室环境下参考作物蒸散量(Reference Crop Evapotranspiration,ET_0)的预测精度,提出烟花算法(Fireworks Algorithm, FWA)优化极限学习机(Extreme Learning Machine, ELM)的参考作物蒸散量预测模型,有效解决了极限学习机在数据预测过程中因随机输入权值矩阵和偏置矩阵导致的数据波动问题,提高了极限学习机的预测精度。以温室环境数据作为模型的输入,以参考作物蒸散量ET_0为输出,建立FWAELM模型,并将结果与ELM模型预测结果进行对比,结果表明,FWAELM模型的均方根误差、平均绝对误差和模型可决系数分别为:0.115 6、0.143 6、0.943 8,高于ELM模型的0.403 5、0.346 7和0.819 0,FWAELM模型预测精度较高。同时进行了气象参数缺失情况下的模型预测精度研究,结果表明参数在保留3个及以上时,模型的预测精度依然较高,适用于温室ET_0的预测研究。     

基于WPT-IAF-ELM的小麦储存年限电子舌检测分析

为实现对不同储存年限的陈化小麦进行快速、客观的评价分析,提出基于小波包变换(WPT)、改进鱼群算法(IAF)和极限学习机的小麦储存年限电子舌检测模型(WPT-IAF-ELM)。针对电子舌输出信号复杂、数据量大的特点,采用小波包变换对原始数据进行特征值提取,以降低数据维度,缩减数据规模。在此基础上,采用改进鱼群算法优化极限学习机参数,建立小麦储存年限检测分析模型。应用该模型对5个储存年限的陈化小麦进行定性分析,结果表明:该模型具有较好的分类效果,与分别用遗传算法和粒子群优化ELM算法相比,WPT-IAF-ELM的分类效果更优,其训练集正确率、测试集正确率、总体分类精度和Kappa系数分别为96%、92%、95%和0. 91,表明提出的组合模型具有较好的分类效果。     

基于鱼群算法的极限学习机影像分类方法优化

在传统极限学习机(ELM)研究的基础上,考虑到传统ELM参数的不确定会导致整体分类精度下降,利用仿生鱼群算法(AF)对ELM的小波核参数和正则化参数进行寻优,并构造参数优化后的小波ELM影像分类模型(AF-ELM)。通过实验比较了该算法与人工神经网路(ANN)、支持向量机(SVM)、极限学习机(ELM)等标准分类器在遥感影像分类上的精度与速度差异,并且与ELM多项式核、RBF核分类算法进行比较分析,验证了AF-ELM在分类速度和精度上的优越性。实验结果表明,AF-ELM分类方法分类速度较快,精度较高,均优于其他分类方法。能较好地应用于遥感影像上各类地物要素的自动提取。     

基于高光谱图像及ELM的生菜叶片氮素水平定性分析

基于高光谱图像技术与极限学习机(Extreme learning machine,ELM)模式识别方法构建一套生菜叶片氮素水平鉴别模型。利用3种不同氮浓度的营养液无土栽培各氮素水平生菜,在莲座期采集每类氮素水平生菜叶片各84片,利用高光谱图像采集系统采集生菜叶片高光谱图像,并在每个高光谱图像上选取叶片4个不同位置的60×60像素的感兴趣区域(ROI),求取感兴趣区域光谱数据平均值作为叶片样本的原始光谱,利用标准正态变量校正对原始光谱进行预处理,采用主成分分析法对光谱进行降维。采用ELM对训练样本进行建模,并与传统的BP及SVM算法模型进行对比。从实验结果可以看出,ELM模型训练时间和分类正确率分别为0.623 04 s和100%,在训练时间相当的情况下,ELM分类正确率高于SVM模型,在分类正确率相当的情况下,ELM模型的训练时间比BP模型要短。研究结果表明,基于高光谱图像技术及ELM可以构建生菜叶片氮素水平分类模型。     

基于MFOA-ELM的水质等级预测研究

为提高水质评价模型的预测精度和适用性,针对极限学习机性能受输入权重W_i和隐含层偏置b_i的影响,提出一种基于修正因子的果蝇算法优化ELM的水质评价模型。选择2012—2017年巢湖水质监测数据为研究对象,与FOA-ELM、PSO-ELM、GA-ELM和ELM对比发现,MFOA-ELM具有更高的预测精度,精度高达98.36%,并且具有更快的收敛速度,可以广泛地应用于水质评价和预测。     

基于改进VGG16的大米加工精度分级方法研究

为了准确识别大米精度等级,结合超列技术（Hyper column technology,HCT）、最大相关-最小冗余（Max-relevance and min-redundancy,MRMR）特征选择算法和极限学习机（Extreme learning machine,ELM）,提出了基于改进VGG16卷积神经网络的大米分级检测方法。首先,使用机器学习中的OneHot格式进行编码,对数据进行归一化;然后采用VGG16卷积神经网络结合HCT技术作为特征提取器,从而保证从不同的深层结构中提取出局部鉴别特征,共提取5248个大米特征信息;采用MRMR特征选择算法剔除大量冗余的大米图像特征,筛选出最有效的500个特征;最后,利用ELM技术进行大米加工精度分级。将5848个样本图像按6∶3∶1的比例随机分为训练集、测试集与验证集,对模型进行训练与测试,结果表明,基于改进VGG16卷积神经网络的大米加工精度分级模型对1755个测试集大米样本分类的总体准确率达到97.32%,对大米加工精度的分级预测速度在85t/h以上,基本满足大米生产线的分级要求。     

基于SSA-ELM的锂离子电池寿命预测

锂离子电池的性能在循环充放电、环境温度变化、自身材料老化等情况下会不断退化,严重影响电池正常可靠运行。为了提高锂离子电池寿命预测的精准度,提出了一种基于麻雀搜索算法优化极限学习机的锂离子电池寿命预测模型。选用麻雀搜索算法SSA优化ELM的权值和阈值,既减小了由于ELM随机产生权值和阈值导致预测结果不准确和回归模型不稳定等缺点,又改善了全局搜索能力。实验采用NASA锂离子电池数据集,用均方根误差RMSE和相关指数R²作为评价标准,对所提模型(SSA-ELM预测模型)、BP神经网络模型和ELM模型的预测结果进行对比分析。实验结果表明,相比于传统神经网络模型,SSA-ELM算法泛化性能更好,预测精度更加准确可靠。