基于改进粒子群算法优化策略的核极限学习机方法研究
来源:用户上传
作者:高天 龚平顺
摘 要：本研究通过对核极限学习机的原理进行分析，确定优化参数，分析粒子群算法的基本原理，并对多种改进的粒子群算法进行研究，通过基准测试函数对6种算法的优劣进行分析。笔者选取综合学习粒子群算法为优化核极限学习机的基本框架，并将线性递减惯性权重和综合学习粒子群算法进行结合，用于改进粒子群算法易陷入局部最优的问题，从而实现对核极限学习机的参数优化。
关键词：核极限学习机；参数优化；线性权值下降粒子群算法；综合学习粒子群算法
中图分类号：TP301.6 文献标志码：A 文章编号：1003-5168（2022）19-0004-05
DOI：10.19968/j.cnki.hnkj.1003-5168.2022.19.001
Research on Kernel Extreme Learning Machine Based on Improved Particle Swarm Optimization Strategy
GAO Tian GONG Pingshun
（School of Electrical and Information Engineering， Anhui University of Science and Technology，Huainan 232000，China）
Abstract： In this study， the principle of kernel extreme learning machine is analyzed， the optimization parameters are determined， the basic principle of particle swarm optimization is analyzed， and a variety of improved particle swarm optimization algorithms are studied. The advantages and disadvantages of the six algorithms are analyzed by benchmark test functions. The author selects the comprehensive learning particle swarm optimization algorithm as the basic framework for optimizing the kernel extreme learning machine， and combines the linear decreasing inertia weight with the comprehensive learning particle swarm optimization algorithm to improve the problem that the particle swarm optimization algorithm is easy to fall into local optimum， so as to realize the parameter optimization of the kernel extreme learning machine.
Keywords：kernel extreme learning machine;parameter optimization;linear weight declining particleswarm optimization;comprehensive learning particle swarm optimization algorithm
0 引言
S着科技的进步，神经网络已逐渐成为当前一大热点，如人工神经网络［1］、概率神经网络［2］、决策树［3］等。由于神经网络模型架构存在缺陷，导致单一神经网络存在着上限，而将多种神经网络进行融合，成为一种新的解决方案。林培杰等［4］通过支持向量机来实现分类，并选取粒子群算法改进相关参数；王元章等［5］对L-M和BP神经网络算法进行融合，并完善BP算法的参数；秦琼等［6］、林涛等［7］、章勇高等［8］将极限学习机应用于新能源的功率预测中；任晓琳等［9］将蝙蝠算法与核极限学习机进行结合，从而优化KELM参数，增强模型的稳定性，提高诊断精度。本研究通过分析核极限学习机的基本原理，改进粒子群算法的学习策略来修正KELM参数，从而构建最佳模型。
由图3可知，在引入线性递减惯性权重后，CLPSO算法在迭代次数超过4 000次时，适应度值逐渐趋于停滞状态，难以继续寻优；而LCLPSO算法的寻优过程近似于线性递减，迭代次数达到4 000后，LCLPSO算法依然保持着较强的搜索能力，持续寻优，迭代次数达到10 000次时，得到最低的适应度值。
3 优化核极限学习机
由于KELM引入了核函数，对参数非常敏感，本研究通过L-CLPSO算法来优化KELM的核参数和惩罚因子，流程图如图4所示。
将KELM的故障检测准确率设置为PSO算法中的适用度函数，通过不断地迭代计算来求出全局最佳参数，得到最优的KELM模型，实现LCLPSO对KELM的优化处理，结果图5所示。
4 结语
笔者通过研究KELM的基本原理，并分析6种不同类型的粒子群算法的优劣，采用CLPSO与LDIW-PSO算法相结合的方式，并用Aphere多峰函数来验证算法的结果，证明LCLPSO算法具有可取之处，最后用于改进KELM参数，实现参数的优化。
参考文献：
nlc202211181344
［1］ CHINE W，MELLIT A，LUGHI V，et al.A novel fault diagnosis technique for photovoltaic systems based on artificial neural networks［J］.Renewable Energy，2016，90：501-512.
［2］ AKRAM M N，LOTFIFARD S.Modeling and health monitoring of DC side of photovoltaic array［J］.IEEE Transactions on Sustainable Energy，2015（4）：1245-1253.
［3］ 徐立娟，吴春华，王元章，等.基于决策树的光伏组件故障诊断方法研究［J］.电工电能新技术，2017（6）：83-88.
［4］ 林培杰，陈志聪，吴丽君，等.一种PSO-SVM 的光伏阵列故障检测与分类［J］.福州大学学报（自然科学版），2017（5）：652-658.
［5］ 王元章，吴春华，周笛青，等.基于BP神经网络的光伏阵列故障诊断研究［J］.电力系统保护与控制，2013（16）：108-114.
［6］ 秦琼，刘树洁，赖旭，等.GA优化ELM神经网络的风电场测风数据插补［J］.太阳能学报，2018（8）：2125-2132.
［7］ 林涛，蔡睿琪，张丽，等.基于IBA-KELM的L电功率区间预测方法［J］.可再生能源，2018（7）：1092-1097.
［8］ 章勇高，高彦丽，马迪.基于GA-KELM的光伏短期出力预测研究［J］.控制工程，2018（7）：1155-1159.
［9］ 任晓琳，杨奕，高龙，等.基于IBA-KELM模型的TCT光伏阵列故障诊断研究［J/OL］.电源学报：1-13.（2021-08-12）［2022-07-06］.http：//kns.cnki.net/kcms/detail/12.1420.TM.20210812.1522.008.html.
［10］ 杨菊，袁玉龙，于化龙.基于蚁群优化的极限学习机选择性集成学习算法［J］.计算机科学，2016（10）：266-271.
［11］ YANG X，GUAN W，LIU Y，et al.Prediction intervals forecasts of wind power based on PSO-KELM［J］.Proceedings of the CSEE，2015（S1）：146-153.
［12］ HUANG G B.An insight into extreme learning machines： random neurons，random features and kernels［J］.Cognitive Computation，2014（3）：376-390.
［13］ XIN J，CHEN G，HAI Y.A particle swarm optimizer with multi-stage linearly-decreasing inertia weight［C］//2009 International joint conference on computational sciences and optimization.IEEE，2009，1：505-508.
nlc202211181344
转载注明来源:https://www.xzbu.com/1/view-15442333.htm
