文献类型：期刊文章

作　　者：李军[1] 李大超[1]

机构地区：[1]兰州交通大学自动化与电气工程学院,兰州730070

出　　处：《物理学报》

基　　金：国家自然科学基金(批准号:51467008)资助的课题~~

年　　份：2016

卷　　号：65

期　　号：13

起止页码：33-42

语　　种：中文

收录情况：BDHX、BDHX2014、CAS、CSCD、CSCD2015_2016、EI(收录号：20162902623718)、IC、INSPEC、JST、RCCSE、SCI-EXPANDED(收录号：WOS:000380364800005)、SCIE、SCOPUS、WOS、ZGKJHX、ZMATH、核心刊

摘　　要：针对时间序列预测,在单隐层前馈神经网络的基础上,基于进化计算的优化策略,提出了一种优化的核极限学习机(optimized kernel extreme learning machine,O-KELM)方法.与极限学习机(extreme learning machine,ELM)方法相比,核极限学习机(kernel extreme learning machine,KELM)方法无须设定网络隐含层节点的数目,以核函数表示未知的隐含层非线性特征映射,通过正则化最小二乘算法计算网络的输出权值,它能以极快的学习速度获得良好的推广性.在KELM的基础上,分别将遗传算法、模拟退火、微分演化三种进化算法用于模型的结构输入选择、正则化系数以及核参数的优化选取,以进一步提高网络的性能.将O-KELM方法应用于标准Mackey-Glass混沌时间序列预测及某地区的风电功率时间序列预测实例中,在同等条件下,还与优化的极限学习机(optimized extreme learning machine,O-ELM)方法进行比较.实验结果表明,所提出的O-KELM方法在预测精度上优于O-ELM方法,表明了其有效性.

关 键 词：核极限学习机  优化方法  时间序列 预测  

分 类 号：TM614] O211.61]