控制工程
控製工程
공제공정
CONTROL ENGINEERING OF CHINA
2014年
3期
399-402
,共4页
夏全国%汤健%吴永建%赵立杰
夏全國%湯健%吳永建%趙立傑
하전국%탕건%오영건%조립걸
选择性集成建模%遗传算法(GA)%极限学习机(ELM)%核极限学习机(KELM)
選擇性集成建模%遺傳算法(GA)%極限學習機(ELM)%覈極限學習機(KELM)
선택성집성건모%유전산법(GA)%겁한학습궤(ELM)%핵겁한학습궤(KELM)
selective ensemble modelling%genetic algorithm (GA)%extreme learning machine (ELM)%kernel extreme learning machine (KELM)
针对选择性集成逆向传播神经网络(GASEN-BPNN)模型训练学习速度慢,选择性集成极限学习机(GASEN-ELM)模型建模精度稳定性差等问题,提出一种基于遗传算法的选择性集成核极限学习机(GASEN-KELM)建模方法.该方法首先通过对训练样本进行随机采样获取子模型训练样本；然后采用泛化性、稳定性较佳的核极限学习机(KELM)算法建立候选子模型,通过标准遗传算法工具箱,依据设定阈值按进化策略优化选择最佳子模型；最后通过简单平均加权集成的方式获得最终GASEN-KELM模型.采用标准混凝土抗压强度数据验证了所提出方 法的有效性,并与GASEN-BPNN和GASEN-ELM选择性集成算法进行比较,表明所提出方法可以在模型学习速度和建模预测稳定性方面获得较好的均衡.
針對選擇性集成逆嚮傳播神經網絡(GASEN-BPNN)模型訓練學習速度慢,選擇性集成極限學習機(GASEN-ELM)模型建模精度穩定性差等問題,提齣一種基于遺傳算法的選擇性集成覈極限學習機(GASEN-KELM)建模方法.該方法首先通過對訓練樣本進行隨機採樣穫取子模型訓練樣本；然後採用汎化性、穩定性較佳的覈極限學習機(KELM)算法建立候選子模型,通過標準遺傳算法工具箱,依據設定閾值按進化策略優化選擇最佳子模型；最後通過簡單平均加權集成的方式穫得最終GASEN-KELM模型.採用標準混凝土抗壓彊度數據驗證瞭所提齣方 法的有效性,併與GASEN-BPNN和GASEN-ELM選擇性集成算法進行比較,錶明所提齣方法可以在模型學習速度和建模預測穩定性方麵穫得較好的均衡.
침대선택성집성역향전파신경망락(GASEN-BPNN)모형훈련학습속도만,선택성집성겁한학습궤(GASEN-ELM)모형건모정도은정성차등문제,제출일충기우유전산법적선택성집성핵겁한학습궤(GASEN-KELM)건모방법.해방법수선통과대훈련양본진행수궤채양획취자모형훈련양본；연후채용범화성、은정성교가적핵겁한학습궤(KELM)산법건립후선자모형,통과표준유전산법공구상,의거설정역치안진화책략우화선택최가자모형；최후통과간단평균가권집성적방식획득최종GASEN-KELM모형.채용표준혼응토항압강도수거험증료소제출방 법적유효성,병여GASEN-BPNN화GASEN-ELM선택성집성산법진행비교,표명소제출방법가이재모형학습속도화건모예측은정성방면획득교호적균형.
