1 簡介

人工神經(jīng)網(wǎng)絡的最大缺點是訓練時間太長從而限制其實時應用范圍,近年來,極限學習機(Extreme Learning Machine, ELM)的提出使得前饋神經(jīng)網(wǎng)絡的訓練時間大大縮短,然而當原始數(shù)據(jù)混雜入大量噪聲變量時,或者當輸入數(shù)據(jù)維度非常高時,極限學習機算法的綜合性能會受到很大的影響.深度學習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,并且當向低維度空間進行映射時,能夠很好的起到對數(shù)據(jù)降維的作用,因此我們思考利用深度學習的優(yōu)勢特性來彌補極限學習機的弱勢特性從而改善極限學習機的性能.為了進一步提升DELM預測精度，本文采用麻雀搜索算法進一步優(yōu)化DELM超參數(shù)，仿真結(jié)果表明，改進算法的預測精度更高。

2 部分代碼

function[Score,Position,Convergence]=SOA(Search_Agents,Max_iterations,Lower_bound,Upper_bound,dimension,objective)Position=zeros(1,dimension);Score=inf; Positions=init(Search_Agents,dimension,Upper_bound,Lower_bound);Convergence=zeros(1,Max_iterations);l=0;while l<Max_iterations ? ?for i=1:size(Positions,1) ? ? ? ? ? ? ? ? ?Flag4Upper_bound=Positions(i,:)>Upper_bound; ? ? ? ?Flag4Lower_bound=Positions(i,:)<Lower_bound; ? ? ? ?Positions(i,:)=(Positions(i,:).*(~(Flag4Upper_bound+Flag4Lower_bound)))+Upper_bound.*Flag4Upper_bound+Lower_bound.*Flag4Lower_bound; ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?fitness=objective(Positions(i,:)); ? ? ? ? ? ? ? ?if fitness<Score ? ? ? ? ? ?Score=fitness; ? ? ? ? ? ?Position=Positions(i,:); ? ? ? ?end ? ? ? ? ? ?end ? ? ? ? ? ?Fc=2-l*((2)/Max_iterations); ? ? ? ?for i=1:size(Positions,1) ? ? ? ?for j=1:size(Positions,2) ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?r1=rand(); ? ? ? ? ? ?r2=rand(); ? ? ? ? ? ? ? ? ? ? ? ?A1=2*Fc*r1-Fc; ? ? ? ? ? ?C1=2*r2; ? ? ? ? ? ?b=1; ? ? ? ? ? ? ? ? ? ? ? ?ll=(Fc-1)*rand()+1; ? ? ? ? ? ? ? ? ? ?D_alphs=Fc*Positions(i,j)+A1*((Position(j)-Positions(i,j))); ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?X1=D_alphs*exp(b.*ll).*cos(ll.*2*pi)+Position(j); ? ? ? ? ? ?Positions(i,j)=X1; ? ? ? ? ? ? ? ? ? ?end ? ?end ? ?l=l+1; ? ? ? ?Convergence(l)=Score;end

3 仿真結(jié)果

4 參考文獻

[1]馬萌萌. 基于深度學習的極限學習機算法研究[D]. 中國海洋大學, 2015.

博主簡介：擅長智能優(yōu)化算法、神經(jīng)網(wǎng)絡預測、信號處理、元胞自動機、圖像處理、路徑規(guī)劃、無人機等多種領(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)絡文獻，若有侵權(quán)聯(lián)系博主刪除。