一种新的混合智能极限学习机
CSTR:
作者:
作者单位:

1. 佛山科学技术学院机械与电气工程学院,广东佛山528000;
2. 华南理工大学自动化科学与工程学院,广州510640.

作者简介:

林梅金

通讯作者:

中图分类号:

TP18

基金项目:

广东省自然科学基金项目(S2011010001153);中央高校基本科研业务费专项重点项目(2014ZZ0037).


An improved hybrid intelligent extreme learning machine
Author:
Affiliation:

1. Mechanical and Electrical Engineering College,Foshan University,Foshan 528000,China;
2. School of Automation Science and Engineering,South China University of Technology,Guangzhou 510640,China.

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    提出一种基于差分进化(DE) 和粒子群优化(PSO) 的混合智能方法—–DEPSO 算法, 并通过对10 个典型函数进行测试, 表明DEPSO 算法具有良好的寻优性能. 针对单隐层前向神经网络(SLFNs) 提出一种改进的学习算法-----DEPSO-ELM 算法, 即应用DEPSO 算法优化SLFNs 的隐层节点参数, 采用极限学习算法(ELM) 求取SLFNs 的输出权值. 将DEPSO-ELM 算法应用于6 个典型真实数据集的回归计算, 并与DE-ELM、SaE-ELM 算法相比, 获得了更精确的计算结果. 最后, 将DEPSO-ELM 算法应用于数控机床热误差的建模预测, 获得了良好的预测效果.

    Abstract:

    An improved hybrid intelligent algorithm based on differential evolution(DE) and particle swarm optimization (PSO) is proposed. The performance of DEPSO algorithm is verified by simulations on 10 benchmark functions. Then, an improved learning algorithm named DEPSO extreme learning machine(DEPSO-ELM) algorithm for single hidden layer feedforward networks(SLFNs) is proposed. In DEPSO-ELM, DEPSO is used to optimize the network hidden node parameters, and ELM is used to analytically determine the output weights. Simulation results of 6 real world datasets regression problems show that the DEPSO-ELM algorithm performs better than DE-ELM and SaE-ELM. Finally, the effectiveness of the DEPSO-ELM algorithm is verified in the prediction of NC machine tool thermal errors.

    参考文献
    相似文献
    引证文献
引用本文

林梅金 罗飞 苏彩红 许玉格.一种新的混合智能极限学习机[J].控制与决策,2015,30(6):1078-1084

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:2014-03-09
  • 最后修改日期:2014-06-19
  • 录用日期:
  • 在线发布日期: 2015-06-20
  • 出版日期:
文章二维码