基于改进的ELM黄河流域含沙量预测方法研究

发布时间：2021-09-03 09:20

　　针对极限学习机（ELM）只考虑样本重要性和非线性映射能力较弱等问题,提出了一种基于特征加权核极限学习机算法（Feature Weighted Kernel ELM,FWKELM）。方法从样本的特征重要性出发,利用自助特征加权（Bootstrap feature weights）算法对极限学习机的激活函数进行了加权处理。为了验证该算法的有效性,对黄河流域的含沙量进行了预测。通过对含沙量的仿真实验,与原极限学习机算法相比,文章提出的FWKELM算法在预测精度和泛化性能上均优于原算法。 

【文章来源】：河南水利与南水北调. 2020,49(10)

【文章页数】：3 页

【部分图文】：

FWKELM算法的预测结果与误差图

35（11）：2728-2732.［7］宋绍剑，向伟康，林小峰.增量型极限学习机改进算法［J］.信息与控制，2016，45（6）：735-741+758.［8］颜七笙，王士同，张延等.基于经验模式分解和极限学习机的铀资源价格预测方法［J］.控制与决策，2014，29（7）：1187-1192.［9］徐圆，卢玉帅，才轶.基于多元时序驱动的ELM全流程故障预测及其应用［J］.化工学报，2015，66（1）：351-356.收稿日期：2020-9-9编辑：赵鑫侯鹏松图2ELM算法的预测结果与误差图表1FWKELM和ELM算法结果比较表算法ELMFWKELM时间（s）训练0.04690.0625测试0.01560.0156RMSE训练0.00420.0026测试1.92181.0584隐含层节点数8080101

【参考文献】：
期刊论文
[1]基于EEMD的黄河上游主要来水区年来水量预测[J]. 韩锐,董增川,罗赟,张翔宇,许波刘,符芳明.  人民黄河. 2017(08)
[2]增量型极限学习机改进算法[J]. 宋绍剑,向伟康,林小峰.  信息与控制. 2016(06)
[3]基于多元时序驱动的ELM全流程故障预测及其应用[J]. 徐圆,卢玉帅,才轶.  化工学报. 2015(01)
[4]基于经验模式分解和极限学习机的铀资源价格预测方法[J]. 颜七笙,王士同,张延飞,丁木华.  控制与决策. 2014(07)
[5]多隐层输出矩阵极限学习机[J]. 张文博,姬红兵,王磊,朱明哲.  系统工程与电子技术. 2014(08)
[6]融合极限学习机[J]. 张文博,姬红兵.  电子与信息学报. 2013(11)
[7]ELM岭回归软测量建模方法[J]. 王改堂,李平,苏成利.  合肥工业大学学报(自然科学版). 2011(08)
[8]岭参数优化的ELM岭回归学习算法[J]. 王改堂,李平,苏成利.  信息与控制. 2011(04)



本文编号：3380850