為提高水質光譜分析模型的學習速度與預測精度,采用核極限學習機對水質光譜進行建模,并提出一種具有動態(tài)慣性權重的改進鯨魚優(yōu)化算法對模型進行參數(shù)優(yōu)化。由于極限學習機的輸入權值矩陣和偏置是隨機生成的,故引入核方法以減小其輸出權值矩陣的波動;將鯨魚優(yōu)化算法中的慣性權重在非線性遞減的基礎上引入隨機因子,通過動態(tài)調整慣性權重以平衡算法的全局搜索能力與局部開發(fā)能力。與傳統(tǒng)優(yōu)化模型進行了對比實驗,實驗結果表明:基于該方法所建模型具有更高的預測精度,而在相同的學習迭代次數(shù)下,核極限學習機的運行時間相對于傳統(tǒng)算法約下降50%,且改進鯨魚優(yōu)化算法能夠以更快的收斂速度使模型達到全局最優(yōu)。

【文章頁數(shù)】：7 頁

【文章目錄】：
0 引言
1 核極限學習機
    1.1 極限學習機
    1.2 核極限學習機
2 改進鯨魚優(yōu)化算法
    2.1 鯨魚優(yōu)化算法
    2.2 動態(tài)慣性權重
    2.3 改進鯨魚優(yōu)化算法
3 實驗與分析
    3.1 數(shù)據(jù)準備
    3.2 建模與性能分析
    3.3 優(yōu)化算法性能分析
4 結論



本文編號：3865757