1 簡(jiǎn)介

人工神經(jīng)網(wǎng)絡(luò)的最大缺點(diǎn)是訓(xùn)練時(shí)間太長(zhǎng)從而限制其實(shí)時(shí)應(yīng)用范圍,近年來,極限學(xué)習(xí)機(jī)(Extreme Learning Machine, ELM)的提出使得前饋神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間大大縮短,然而當(dāng)原始數(shù)據(jù)混雜入大量噪聲變量時(shí),或者當(dāng)輸入數(shù)據(jù)維度非常高時(shí),極限學(xué)習(xí)機(jī)算法的綜合性能會(huì)受到很大的影響.深度學(xué)習(xí)算法的核心是特征映射,它能夠摒除原始數(shù)據(jù)中的噪聲,并且當(dāng)向低維度空間進(jìn)行映射時(shí),能夠很好的起到對(duì)數(shù)據(jù)降維的作用,因此我們思考利用深度學(xué)習(xí)的優(yōu)勢(shì)特性來彌補(bǔ)極限學(xué)習(xí)機(jī)的弱勢(shì)特性從而改善極限學(xué)習(xí)機(jī)的性能.為了進(jìn)一步提升DELM預(yù)測(cè)精度，本文采用麻雀搜索算法進(jìn)一步優(yōu)化DELM超參數(shù)，仿真結(jié)果表明，改進(jìn)算法的預(yù)測(cè)精度更高。

2 部分代碼

%_________________________________________________________________________%%獅群算法 ? ? ? ? ? ? %%_________________________________________________________________________%function [Best_pos,Best_score,curve]=LSO(pop,Max_iter,lb,ub,dim,fobj)beta = 0.5;%成年獅所占比列Nc = round(pop*beta);%成年獅數(shù)量Np = pop-Nc;%幼師數(shù)量if(max(size(ub)) == 1) ? ub = ub.*ones(1,dim); ? lb = lb.*ones(1,dim); ?end%種群初始化X0=initialization(pop,dim,ub,lb);X = X0;%計(jì)算初始適應(yīng)度值fitness = zeros(1,pop);for i = 1:pop ? fitness(i) = ?fobj(X(i,:));end [value, index]= min(fitness);%找最小值GBestF = value;%全局最優(yōu)適應(yīng)度值GBestX = X(index,:);%全局最優(yōu)位置curve=zeros(1,Max_iter);XhisBest = X;fithisBest = fitness;indexBest = index; gbest = GBestX;for t = 1: Max_iter ? ?%母獅移動(dòng)范圍擾動(dòng)因子計(jì)算 ? ?stepf = 0.1*(mean(ub) - mean(lb)); ? ?alphaf = stepf*exp(-30*t/Max_iter)^10; ? ?%幼獅移動(dòng)范圍擾動(dòng)因子計(jì)算 ? ?alpha = (Max_iter - t)/Max_iter; ? ?%母獅位置更新 ? for i = 1:Nc ? ? ? index = i; ? ? ? while(index == i) ? ? ? ?index = randi(Nc);%隨機(jī)挑選一只母獅 ? ? ? end ? ? ? X(i,:) = (X(i,:) + X(index,:)).*(1 + alphaf.*randn())./2; ? end ? %幼師位置更新 ? for i = Nc+1:pop ? ? ? q=rand; ? ? ? if q<=1/3 ? ? ? ? ? X(i,:) = (gbest + XhisBest(i,:)).*( 1 + alpha.*randn())/2; ? ? ? elseif q>1/3&&q<2/3 ? ? ? ? ? indexT = i; ? ? ? ? ? while indexT == i ? ? ? ? ? ?indexT = randi(Nc) + pop - Nc;%隨機(jī)位置 ? ? ? ? ? end ? ? ? ? ? ?X(i,:) = (X(indexT,:) + XhisBest(i,:)).*( 1 + alpha.*randn())/2; ? ? ? ? ? ? ? ? else ? ? ? ? ? gbestT = ub + lb - gbest; ? ? ? ? ? ?X(i,:) = (gbestT + XhisBest(i,:)).*( 1 + alpha.*randn())/2; ? ? ? end ? ? ? end ? %邊界控制 ? for j = 1:pop ? ? ? for a = 1: dim ? ? ? ? ? if(X(j,a)>ub) ? ? ? ? ? ? ? X(j,a) =ub(a); ? ? ? ? ? end ? ? ? ? ? if(X(j,a)<lb) ? ? ? ? ? ? ? X(j,a) =lb(a); ? ? ? ? ? end ? ? ? end ? end ? %計(jì)算適應(yīng)度值 ? for j=1:pop ? ?fitness(j) = fobj(X(j,:)); ? end ? for j = 1:pop ? ?if(fitness(j)<fithisBest(j)) ? ? ? ?XhisBest(j,:) = X(j,:); ? ? ? ?fithisBest(j) = fitness(j); ? ?end ? ?if(fitness(j) < GBestF) ? ? ? ?GBestF = fitness(j); ? ? ? ?GBestX = X(j,:); ? ? ? ? ?indexBest = j; ? ?end ? end ? %% 獅王更新 ? Temp = gbest.*(1 + randn().*abs(XhisBest(indexBest,:) - gbest)); ? Temp(Temp>ub)=ub(Temp>ub); ? Temp(Temp<lb) = lb(Temp<lb); ? fitTemp = fobj(Temp); ? if(fitTemp<GBestF) ? ? ? GBestF =fitTemp; ? ? ? GBestX = Temp; ? ? ? X(indexBest,:)=Temp; ? ? ? fitness(indexBest) = fitTemp; ? end ? [value, index]= min(fitness);%找最小值 ? gbest = X(index,:);%當(dāng)前代，種群最優(yōu)值 ? curve(t) = GBestF;endBest_pos = GBestX;Best_score = curve(end);end

3 仿真結(jié)果

4 參考文獻(xiàn)

[1]馬萌萌. 基于深度學(xué)習(xí)的極限學(xué)習(xí)機(jī)算法研究[D]. 中國(guó)海洋大學(xué), 2015.

博主簡(jiǎn)介：擅長(zhǎng)智能優(yōu)化算法、神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)、信號(hào)處理、元胞自動(dòng)機(jī)、圖像處理、路徑規(guī)劃、無人機(jī)等多種領(lǐng)域的Matlab仿真，相關(guān)matlab代碼問題可私信交流。

部分理論引用網(wǎng)絡(luò)文獻(xiàn)，若有侵權(quán)聯(lián)系博主刪除。