[发明专利]一种基于优化极限学习机的预测模型在审
| 申请号： | 201710088050.3 | 申请日： | 2017-02-19 |
| 公开（公告）号： | CN106650920A | 公开（公告）日： | 2017-05-10 |
| 发明（设计）人： | 逯鹏;郭赛迪;林予松;李奇航;刘豪杰;牛新;张景景;张行进 | 申请（专利权）人： | 郑州大学 |
| 主分类号： | G06N3/04 | 分类号： | G06N3/04;G06N3/08 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 450001 河南省郑*** | 国省代码： | 河南;41 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种利用基于单隐层前馈神经网络(SLFNs)的极限学习机(ELM)算法的心血管疾病(CVD)预测模型——ELPSO‑ELM混合智能算法预测模型。该算法通过五阶段连续变异方式，分别为Gaussian变异、Cauchy变异、Pg各维opposition‑based变异、Pg整体opposition‑based变异、DE‑based变异，建立增强领导粒子的粒子群算法(ELPSO)，以粒子群(PSO)算法的优化策略，对单隐层前馈神经网络(SLFNs)隐层单元参数进行优化，设计了ELPSO‑ELM混合智能算法预测模型。解决了传统模型纳入预测因子少、数据要求高的局限性。 | ||
| 搜索关键词： | 一种 基于 优化 极限 学习机 预测 模型 | ||
【主权项】：
一种基于优化极限学习机算法的心血管疾病(CVD)预测模型，其特征在于，建立基于单隐层前馈神经网络(SLFNs)的极限学习机(ELM)算法的心血管疾病(CVD)预测模型——ELPSO‑ELM混合智能算法预测模型，该算法通过五阶段连续变异方式，分别为Gaussian变异、Cauchy变异、Pg各维opposition‑based变异、Pg整体opposition‑based变异、DE‑based变异，建立增强领导粒子的粒子群算法(ELPSO)，以粒子群(PSO)算法的优化策略，对单隐层前馈神经网络(SLFNs)隐层单元参数进行优化，设计了ELPSO‑ELM混合智能算法预测模型。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
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郑州大学，未经郑州大学许可，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/patent/201710088050.3/，转载请声明来源钻瓜专利网。
- 上一篇：一种角接触球轴承及其保持架
- 下一篇：一种机器人用滚子轴承
