基于粒子群优化极限学习机数据预测模型研究

摘要：

极限学习机(Extreme Learning Machine,ELM)是一种新型的前馈神经网络,该网络由广义逆直接求出输出层权重,使得其具有误差小、速度快的优点.但针对具体问题,ELM不能自动寻找到最佳的网络结构,从而造成该算法模型针对复杂、无规律性的数据精度及稳定性较差.为了提高极限学习机的泛化能力和预测精度,提出利用粒子群优化极限学习机算法对不同数据进行预测.使用粒子群算法(particle swarm optimization,PSO)选择最优的隐含层偏差和输入权值矩阵,计算出输出权值矩阵,从而提高ELM的精度及稳定性.并通过PSO-ELM和ELM分别对复杂程度不同的汽油辛烷值和交通流量数据进行算法预测比较发现,PSO-ELM优化算法对无规律性、复杂程度高的数据可以获得更高的精度,提高了数据预测的拟合能力.实验结果表明,PSO-ELM对于非线性、无规律性等复杂特性的数据预测具有一定的可行性和有效性.

关键词：粒子群优化、极限学习机、权值和隐含层、汽油辛烷值预测、交通流量预测

所属期刊栏目：32

分类号：TP18(自动化基础理论)

资助基金：国家自然科学基金61201247,61801319

在线出版日期：2019-11-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：35-41