為提高水質(zhì)光譜分析模型的學(xué)習(xí)速度與預(yù)測精度,采用核極限學(xué)習(xí)機(jī)對水質(zhì)光譜進(jìn)行建模,并提出一種具有動態(tài)慣性權(quán)重的改進(jìn)鯨魚優(yōu)化算法對模型進(jìn)行參數(shù)優(yōu)化。由于極限學(xué)習(xí)機(jī)的輸入權(quán)值矩陣和偏置是隨機(jī)生成的,故引入核方法以減小其輸出權(quán)值矩陣的波動;將鯨魚優(yōu)化算法中的慣性權(quán)重在非線性遞減的基礎(chǔ)上引入隨機(jī)因子,通過動態(tài)調(diào)整慣性權(quán)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(jìn)行了對比實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明:基于該方法所建模型具有更高的預(yù)測精度,而在相同的學(xué)習(xí)迭代次數(shù)下,核極限學(xué)習(xí)機(jī)的運(yùn)行時間相對于傳統(tǒng)算法約下降50%,且改進(jìn)鯨魚優(yōu)化算法能夠以更快的收斂速度使模型達(dá)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(xué)習(xí)機(jī)
    1.1 極限學(xué)習(xí)機(jī)
    1.2 核極限學(xué)習(xí)機(jī)
2 改進(jìn)鯨魚優(yōu)化算法
    2.1 鯨魚優(yōu)化算法
    2.2 動態(tài)慣性權(quán)重
    2.3 改進(jìn)鯨魚優(yōu)化算法
3 實(shí)驗(yàn)與分析
    3.1 數(shù)據(jù)準(zhǔn)備
    3.2 建模與性能分析
    3.3 優(yōu)化算法性能分析
4 結(jié)論



本文編號：3865757