[发明专利]一种核增量型超限学习机、差分多种群灰狼混合优化方法在审
申请号: | 201811071986.6 | 申请日: | 2018-09-14 |
公开(公告)号: | CN109299776A | 公开(公告)日: | 2019-02-01 |
发明(设计)人: | 李亚;吴迪 | 申请(专利权)人: | 湖南工程学院 |
主分类号: | G06N3/00 | 分类号: | G06N3/00;G06N3/02 |
代理公司: | 重庆市信立达专利代理事务所(普通合伙) 50230 | 代理人: | 包晓静 |
地址: | 411104 湖*** | 国省代码: | 湖南;43 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 学习机 超限 优化算法 混合智能 学习效率 优化 差分进化算法 仿真实验结果 数据分析技术 泛化性能 节点参数 冗余节点 深度结构 网络结构 复杂度 隐含层 分类 映射 高维 算法 紧凑 抽取 网络 引入 预测 | ||
1.一种核增量型超限学习机,其特征在于,所述核增量型超限学习机的核矩阵表示为:
KELM=HHT=h(xi)·h(xj)=K(xi,xj)。
2.一种应用权利要求1所述核增量型超限学习机的差分多种群灰狼混合优化方法,其特征在于,所述核增量型超限学习机的差分多种群灰狼混合优化方法首先利用差分进化算法和多种群灰狼优化算法,提出混合智能优化算法—差分多种群灰狼优化算法,对隐含层节点参数进行优化,确定有效的节点数量;其次将深度结构引入到核增量型超限学习机中,对输入数据进行逐层抽取,实现数据高维映射分类。
3.如权利要求2所述的核增量型超限学习机的差分多种群灰狼混合优化方法,其特征在于,所述核增量型超限学习机的差分多种群灰狼混合优化方法包括:
步骤一:训练样本(xi,ti),xi=[xi1,xi2,…xin]T,ti∈R,期望的网络输出函数误差为η,输出的预测误差为神经网络的隐含层节点数L=0,网络误差迭代次数k=0;
步骤二,设隐含层节点L=L+λ,当λ=1时,表示在HI-DKIELM中隐含层节点数为单一个数增加,当λ>1时,表示隐含层节点数量为组群增加;
步骤你,计算预测误差:
步骤四,利用差分多种群灰狼优化算法计算最优隐含层节点参数并在此基础上计算输出权值
步骤五,计算输出误差:
若训练终止,否则返回步骤二;
步骤六,t时刻为At,t+1时刻为At+1,对参数At+1求逆;
步骤七,在线更新数据,计算输出
步骤八,算法终止。
4.如权利要求2所述的核增量型超限学习机的差分多种群灰狼混合优化方法,其特征在于,所述差分多种群灰狼优化算法包括:
步骤一,在解空间随机产生优化问题的N个D维的解作为初始种群,初始化总进化代数Iitermax,子种群进化代数Iiter,
步骤二,将种群随机平均分割成Nk个子种群;
步骤三,在Nk个子种群中随机选取k个子种群,分别利用差分进化算法迭代计算Iiter代,对于剩下的Nk-k个子种群,再次分成3个灰狼种群,利用多种群灰狼优化算法迭代计算Iiter代,记录在迭代过程中整个种群的最优值变化情况;
步骤四,混合Nk个子种群获得新的种群,判断子种群混合次数是否达到Cn次,如果是,算法停止,如果否,转步骤二;
步骤五,算法停止。
5.一种应用权利要求2~4任意一项所述核增量型超限学习机的差分多种群灰狼混合优化方法的生物神经元网络数据分析系统。
6.一种应用权利要求2~4任意一项所述核增量型超限学习机的差分多种群灰狼混合优化方法的信息数据处理终端。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于湖南工程学院,未经湖南工程学院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201811071986.6/1.html,转载请声明来源钻瓜专利网。