[發明專利]一種核增量型超限學習機、差分多種群灰狼混合優化方法在審
| 申請號： | 201811071986.6 | 申請日： | 2018-09-14 |
| 公開（公告）號： | CN109299776A | 公開（公告）日： | 2019-02-01 |
| 發明（設計）人： | 李亞;吳迪 | 申請（專利權）人： | 湖南工程學院 |
| 主分類號： | G06N3/00 | 分類號： | G06N3/00;G06N3/02 |
| 代理公司： | 重慶市信立達專利代理事務所(普通合伙) 50230 | 代理人： | 包曉靜 |
| 地址： | 411104 湖*** | 國省代碼： | 湖南;43 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 學習機 超限 優化算法 混合智能 學習效率 優化 差分進化算法 仿真實驗結果 數據分析技術 泛化性能 節點參數 冗余節點 深度結構 網絡結構 復雜度 隱含層 分類 映射 高維 算法 緊湊 抽取 網絡 引入 預測 | ||
1.一種核增量型超限學習機，其特征在于，所述核增量型超限學習機的核矩陣表示為：
KELM＝HHT＝h(xi)·h(xj)＝K(xi,xj)。
2.一種應用權利要求1所述核增量型超限學習機的差分多種群灰狼混合優化方法，其特征在于，所述核增量型超限學習機的差分多種群灰狼混合優化方法首先利用差分進化算法和多種群灰狼優化算法，提出混合智能優化算法—差分多種群灰狼優化算法，對隱含層節點參數進行優化，確定有效的節點數量；其次將深度結構引入到核增量型超限學習機中，對輸入數據進行逐層抽取，實現數據高維映射分類。
3.如權利要求2所述的核增量型超限學習機的差分多種群灰狼混合優化方法，其特征在于，所述核增量型超限學習機的差分多種群灰狼混合優化方法包括：
步驟一：訓練樣本(xi,ti)，xi＝[xi1，xi2，…xin]T，ti∈R，期望的網絡輸出函數誤差為η，輸出的預測誤差為神經網絡的隱含層節點數L＝0，網絡誤差迭代次數k＝0；
步驟二，設隱含層節點L＝L+λ，當λ＝1時，表示在HI-DKIELM中隱含層節點數為單一個數增加，當λ>1時，表示隱含層節點數量為組群增加；
步驟你，計算預測誤差：
步驟四，利用差分多種群灰狼優化算法計算最優隱含層節點參數并在此基礎上計算輸出權值
步驟五，計算輸出誤差：
若訓練終止，否則返回步驟二；
步驟六，t時刻為At，t+1時刻為At+1，對參數At+1求逆；
步驟七，在線更新數據，計算輸出
步驟八，算法終止。
4.如權利要求2所述的核增量型超限學習機的差分多種群灰狼混合優化方法，其特征在于，所述差分多種群灰狼優化算法包括：
步驟一，在解空間隨機產生優化問題的N個D維的解作為初始種群，初始化總進化代數Iitermax，子種群進化代數Iiter，
步驟二，將種群隨機平均分割成Nk個子種群；
步驟三，在Nk個子種群中隨機選取k個子種群，分別利用差分進化算法迭代計算Iiter代，對于剩下的Nk-k個子種群，再次分成3個灰狼種群，利用多種群灰狼優化算法迭代計算Iiter代，記錄在迭代過程中整個種群的最優值變化情況；
步驟四，混合Nk個子種群獲得新的種群，判斷子種群混合次數是否達到Cn次，如果是，算法停止，如果否，轉步驟二；
步驟五，算法停止。
5.一種應用權利要求2～4任意一項所述核增量型超限學習機的差分多種群灰狼混合優化方法的生物神經元網絡數據分析系統。
6.一種應用權利要求2～4任意一項所述核增量型超限學習機的差分多種群灰狼混合優化方法的信息數據處理終端。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于湖南工程學院，未經湖南工程學院許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201811071986.6/1.html，轉載請聲明來源鉆瓜專利網。
