針對極限學習機（ELM）只考慮樣本重要性和非線性映射能力較弱等問題,提出了一種基于特征加權(quán)核極限學習機算法（Feature Weighted Kernel ELM,FWKELM）。方法從樣本的特征重要性出發(fā),利用自助特征加權(quán)（Bootstrap feature weights）算法對極限學習機的激活函數(shù)進行了加權(quán)處理。為了驗證該算法的有效性,對黃河流域的含沙量進行了預(yù)測。通過對含沙量的仿真實驗,與原極限學習機算法相比,文章提出的FWKELM算法在預(yù)測精度和泛化性能上均優(yōu)于原算法。 

【文章來源】：河南水利與南水北調(diào). 2020,49(10)

【文章頁數(shù)】：3 頁

【部分圖文】：

FWKELM算法的預(yù)測結(jié)果與誤差圖

35（11）：2728-2732.［7］宋紹劍，向偉康，林小峰.增量型極限學習機改進算法［J］.信息與控制，2016，45（6）：735-741+758.［8］顏七笙，王士同，張延等.基于經(jīng)驗?zāi)Ｊ椒纸夂蜆O限學習機的鈾資源價格預(yù)測方法［J］.控制與決策，2014，29（7）：1187-1192.［9］徐圓，盧玉帥，才軼.基于多元時序驅(qū)動的ELM全流程故障預(yù)測及其應(yīng)用［J］.化工學報，2015，66（1）：351-356.收稿日期：2020-9-9編輯：趙鑫侯鵬松圖2ELM算法的預(yù)測結(jié)果與誤差圖表1FWKELM和ELM算法結(jié)果比較表算法ELMFWKELM時間（s）訓(xùn)練0.04690.0625測試0.01560.0156RMSE訓(xùn)練0.00420.0026測試1.92181.0584隱含層節(jié)點數(shù)8080101

【參考文獻】：
期刊論文
[1]基于EEMD的黃河上游主要來水區(qū)年來水量預(yù)測[J]. 韓銳,董增川,羅赟,張翔宇,許波劉,符芳明.  人民黃河. 2017(08)
[2]增量型極限學習機改進算法[J]. 宋紹劍,向偉康,林小峰.  信息與控制. 2016(06)
[3]基于多元時序驅(qū)動的ELM全流程故障預(yù)測及其應(yīng)用[J]. 徐圓,盧玉帥,才軼.  化工學報. 2015(01)
[4]基于經(jīng)驗?zāi)Ｊ椒纸夂蜆O限學習機的鈾資源價格預(yù)測方法[J]. 顏七笙,王士同,張延飛,丁木華.  控制與決策. 2014(07)
[5]多隱層輸出矩陣極限學習機[J]. 張文博,姬紅兵,王磊,朱明哲.  系統(tǒng)工程與電子技術(shù). 2014(08)
[6]融合極限學習機[J]. 張文博,姬紅兵.  電子與信息學報. 2013(11)
[7]ELM嶺回歸軟測量建模方法[J]. 王改堂,李平,蘇成利.  合肥工業(yè)大學學報(自然科學版). 2011(08)
[8]嶺參數(shù)優(yōu)化的ELM嶺回歸學習算法[J]. 王改堂,李平,蘇成利.  信息與控制. 2011(04)



本文編號：3380850