極限學(xué)習(xí)機(jī)（Extreme Learning Machine,ELM）是一種新型的單隱層前饋神經(jīng)網(wǎng)絡(luò)（single-hidden layer feedforward networks,SLFNs）,其網(wǎng)絡(luò)輸入權(quán)值和隱含層偏置隨機(jī)產(chǎn)生,與傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)相比具有訓(xùn)練速度快、泛化能力強(qiáng)、預(yù)測(cè)誤差小等優(yōu)點(diǎn),其性能與支持向量機(jī)相近。目前,極限學(xué)習(xí)機(jī)已在多學(xué)科領(lǐng)域的分類與回歸問題中得到廣泛的研究和應(yīng)用,但在變形監(jiān)測(cè)數(shù)據(jù)預(yù)測(cè)與分析中的研究和應(yīng)用相對(duì)較少。因此,本文研究將極限學(xué)習(xí)機(jī)用于工程體變形分析與預(yù)測(cè),主要研究工作如下:1.對(duì)國(guó)內(nèi)外極限學(xué)習(xí)機(jī)相關(guān)理論進(jìn)行系統(tǒng)性研究,針對(duì)極限學(xué)習(xí)機(jī)在工程測(cè)量變形預(yù)測(cè)領(lǐng)域研究較少的現(xiàn)狀,借鑒極限學(xué)習(xí)機(jī)在其他領(lǐng)域內(nèi)的應(yīng)用,確定本文的研究?jī)?nèi)容。2.將極限學(xué)習(xí)機(jī)與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)（BP和支持向量機(jī)）進(jìn)行實(shí)驗(yàn)對(duì)比分析,驗(yàn)證極限學(xué)習(xí)機(jī)具有運(yùn)算速度快、泛化能力強(qiáng)、預(yù)測(cè)誤差小的優(yōu)點(diǎn)。同時(shí),實(shí)驗(yàn)結(jié)果反映出極限學(xué)習(xí)機(jī)存在最佳隱含層節(jié)點(diǎn)難以確定、網(wǎng)絡(luò)參數(shù)隨機(jī)設(shè)定導(dǎo)致預(yù)測(cè)結(jié)果穩(wěn)定性較差等不足。3.針對(duì)極限學(xué)習(xí)機(jī)存在的不足,研究增量ELM和剪枝ELM優(yōu)化算法,尋找網(wǎng)絡(luò)最佳隱含層節(jié)點(diǎn),另外,... 

【文章來源】：西南交通大學(xué)四川省 211工程院校 教育部直屬院校

【文章頁數(shù)】：64 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

人工神經(jīng)元模型

反饋神經(jīng)網(wǎng)絡(luò)（Feedbackward Neural Networks），從輸出到輸入構(gòu)相比前饋網(wǎng)絡(luò)更為復(fù)雜。代表性的反饋神經(jīng)網(wǎng)絡(luò)有 Elman 網(wǎng)絡(luò)自組織網(wǎng)絡(luò)（Self-Organizing Neural Networks，SOM），這是一種，SOM 可以通過自動(dòng)尋找樣本中的本質(zhì)屬性，自適應(yīng)地調(diào)整網(wǎng)隱層前饋神經(jīng)網(wǎng)絡(luò)前饋神經(jīng)網(wǎng)絡(luò)（SLFNs）是 ANN 研究中的一類重要算法，它可現(xiàn)復(fù)雜的非線性映射。因此 SLFNs 可以為很多復(fù)雜的非線性問泛應(yīng)用多個(gè)領(lǐng)域。 SLFNs 模型由輸入層、隱含層和輸出層三層結(jié)構(gòu)組成，三層之 2-2 所示。

圖 3-1 GA 優(yōu)化 ELM 模型流程圖3.2.2 PSO 優(yōu)化 ELM粒子群優(yōu)化算法也稱為鳥群覓食算法，是由 J. Kennedy 和 R. C.Eberhart 等人提出的一種進(jìn)化算法。PSO 算法是通過群體中的個(gè)體將自己的信息告知給其他個(gè)體，使整個(gè)群體在信息共享的機(jī)制下運(yùn)動(dòng)變得有規(guī)律的過程，由此獲得最優(yōu)解。PSO 算法中的控制參數(shù)[66]如表 3-1 所示：表 3-1 PSO 算法的控制參數(shù)參數(shù) 介紹粒子群規(guī)模 N粒子群規(guī)模決定算法的尋優(yōu)能力，N 越大算法找到最優(yōu)解的可能性越大，但是當(dāng) N 的數(shù)目增大時(shí)，算法計(jì)算的復(fù)雜度也隨之上升粒子維度 D 粒子維度與待優(yōu)化目標(biāo)的維度相同

【參考文獻(xiàn)】：
期刊論文
[1]改進(jìn)人工魚群算法在SVM參數(shù)優(yōu)化中的應(yīng)用[J]. 邱云飛,李智義.  計(jì)算機(jī)工程與科學(xué). 2018(11)
[2]基于PSO-ELM的熱力系統(tǒng)參數(shù)預(yù)測(cè)[J]. 趙麗娟,馬良玉,王曉霞.  電力科學(xué)與工程. 2018(03)
[3]GA-ELM在硫鐵礦制酸尾氣SO2濃度預(yù)測(cè)的應(yīng)用[J]. 黃遠(yuǎn)紅,黃清寶.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2017(10)
[4]基于神經(jīng)網(wǎng)絡(luò)的目標(biāo)圖像識(shí)別方法分析[J]. 龔巖.  電子世界. 2017(12)
[5]參數(shù)優(yōu)化GA-ELM模型在露天煤礦拋擲爆破的預(yù)測(cè)[J]. 溫廷新,陳曉宇,邵良杉,竇融,魏鵬.  煤炭學(xué)報(bào). 2017(03)
[6]基于改進(jìn)粒子群優(yōu)化極限學(xué)習(xí)機(jī)的養(yǎng)殖氨態(tài)氮含量預(yù)測(cè)模型[J]. 徐大明,杜永貴,孫傳恒,周超.  江蘇農(nóng)業(yè)科學(xué). 2017(04)
[7]結(jié)合三次樣條和時(shí)序模型的橋墩沉降預(yù)測(cè)[J]. 張凱選,馬傳寧.  測(cè)繪科學(xué). 2016(12)
[8]自適應(yīng)混沌粒子群算法對(duì)極限學(xué)習(xí)機(jī)參數(shù)的優(yōu)化[J]. 陳曉青,陸慧娟,鄭文斌,嚴(yán)珂.  計(jì)算機(jī)應(yīng)用. 2016(11)
[9]基于改進(jìn)流形正則化極限學(xué)習(xí)機(jī)的短期電力負(fù)荷預(yù)測(cè)[J]. 李冬輝,閆振林,姚樂樂,鄭宏宇.  高電壓技術(shù). 2016(07)
[10]基于探測(cè)粒子群的小波核極限學(xué)習(xí)機(jī)算法[J]. 陳曉青,陸慧娟,關(guān)偉,鄭文斌.  計(jì)算機(jī)科學(xué). 2016(S1)

碩士論文
[1]基于極限學(xué)習(xí)機(jī)的林區(qū)火災(zāi)多感監(jiān)測(cè)研究[D]. 向彬彬.安徽理工大學(xué) 2018
[2]基于優(yōu)化的極限學(xué)習(xí)機(jī)的腦血管發(fā)病人數(shù)預(yù)測(cè)研究[D]. 王正華.鄭州大學(xué) 2018
[3]基于極限學(xué)習(xí)機(jī)的分類問題研究與應(yīng)用[D]. 王博林.遼寧師范大學(xué) 2018
[4]基于遺傳算法優(yōu)化極限學(xué)習(xí)機(jī)的房地產(chǎn)稅基批量評(píng)估研究[D]. 侯晨.青島理工大學(xué) 2018
[5]基于時(shí)序分析法的地下工程變形預(yù)測(cè)研究[D]. 伍夢(mèng)清.湖南科技大學(xué) 2017
[6]小波變換在變形監(jiān)測(cè)數(shù)據(jù)去噪和信息提取中的應(yīng)用研究[D]. 羅烈.西南交通大學(xué) 2017
[7]多點(diǎn)灰色變形分析與預(yù)報(bào)方法研究[D]. 吳開巖.西南交通大學(xué) 2017
[8]隧道淺埋暗挖施工工法對(duì)建筑物的影響分析[D]. 李雪薇.山東科技大學(xué) 2017
[9]基于GSO-ELM的鋰離子電池剩余壽命間接預(yù)測(cè)方法研究[D]. 吳婧睿.大連海事大學(xué) 2017
[10]改進(jìn)的局部均值分解和高斯過程在變形監(jiān)測(cè)數(shù)據(jù)處理中的應(yīng)用研究[D]. 王奉偉.東華理工大學(xué) 2016



本文編號(hào)：2989514