1 简介 人工神经网络的最大缺点是训练时间太长从而限制其实时应用范围,近年来,极限学习机(Extreme Learning Machine, ELM)的提出使得前馈神经网络的训练时间大大缩短,然而当原始数据混杂入
1 简介
人工神经网络的最大缺点是训练时间太长从而限制其实时应用范围,近年来,极限学习机(Extreme Learning Machine, ELM)的提出使得前馈神经网络的训练时间大大缩短,然而当原始数据混杂入大量噪声变量时,或者当输入数据维度非常高时,极限学习机算法的综合性能会受到很大的影响.深度学习算法的核心是特征映射,它能够摒除原始数据中的噪声,并且当向低维度空间进行映射时,能够很好的起到对数据降维的作用,因此我们思考利用深度学习的优势特性来弥补极限学习机的弱势特性从而改善极限学习机的性能.为了进一步提升DELM预测精度，本文采用麻雀搜索算法进一步优化DELM超参数，仿真结果表明，改进算法的预测精度更高。
2 部分代码
%% 清空环境变量clc;
clear;
%% 初始化参数
domx = [-3, 3; -3, 3]; % 定义域
rho = 0.9; % 荧光素挥发因子
gamma = 0.1; % 适应度提取比例
beta = 0.58; % 邻域变化率
nt = 6; % 邻域阀值(邻域萤火虫数)
s = 0.03; % 步长
iot0 = 400; % 荧光素初始浓度
rs = 3; % 感知半径
r0 = 3; % 决策半径
m = size(domx, 1); % 函数空间维数
n = 50; % 萤火虫数量
gaddress = zeros(n, m); % 分配萤火虫地址空间
gvalue = zeros(n, 1); % 分配适应度存放空间
ioti = zeros(n, 1); % 分配荧光素存放空间
rdi = zeros(n, 1); % 分配萤火虫决策半径存放空间
%% 萤火虫常量初始化
% 初始化地址
for i = 1:m
gaddress(:, i) = domx(i, 1)+(domx(i, 2)-domx(i, 1))*rand(n, 1);
end
% 初始化荧光素浓度
ioti(:, 1) = iot0;
% 初始化决策半径
rdi(:, 1) = r0;
iter_max = 500; % 最大迭代次数
t = 1; % 迭代计数器
yy = zeros(iter_max, 1); % 各代最优解
%% 迭代寻优
while t <= iter_max
% 更新荧光素浓度
ioti = (1-rho)*ioti+gamma*fun(gaddress);
% 各萤火虫移动过程开始
for i = 1:n
% 决策半径内找更优点
Nit = []; % 存放萤火虫序号
for j = 1:n
if norm(gaddress(j, :)-gaddress(i, :)) < rdi(i) && ioti(i, 1) < ioti(j, 1)
Nit(numel(Nit)+1) = j;
end
end
% 找下一步移动的点开始
if ~isempty(Nit)
Nitioti = ioti(Nit, 1); % 选出Nit荧光素
SumNitioti = sum(Nitioti); % Nit荧光素和
Molecular = Nitioti-ioti(i, 1); % 分子
Denominator = SumNitioti-ioti(i, 1); % 分母
Pij = Molecular./Denominator; % 计算Nit各元素被选择概率
Pij = cumsum(Pij); % 累计
Pij = Pij./Pij(end); % 归一化
Pos = find(rand < Pij); % 确定位置
j = Nit(Pos(1)); % 确定j的位置
% 萤火虫i向j移动一小步
gaddress(i, :) = gaddress(i, :)+s*(gaddress(j, :)-gaddress(i, :))/norm(gaddress(j, :)-gaddress(i, :));
% 边界处理(限制范围)
gaddress(i, :) = min(gaddress(i, :), domx(1, 2));
gaddress(i, :) = max(gaddress(i, :), domx(1, 1));
% 更新决策半径
rdi(i) = rdi(i)+beta*(nt-length(Nit));
if rdi(i, 1) < 0
rdi(i, 1) = 0;
end
if rdi(i, 1) > rs
rdi(i, 1) = rs;
end
end
end
% 每代最优解存入yy数组内
yy(t) = max(fun(gaddress));
% 迭代次数+1
t = t+1;
end
%% 结果显示
gvalue = fun(gaddress); % 求各个萤火虫的值
disp('最大值为：')
num = find(gvalue == max(gvalue)); % 最大值序号
MaxValue = max(gvalue)
disp('最优解为：')
BestAddress = gaddress(num, :)
figure;
plot(yy, 'r', 'linewidth', 2)
xlabel ('迭代次数'); ylabel( '函数值');
title( 'GSO算法各代最优解变化');
3 仿真结果
4 参考文献
[1]朱祥和. 基于小波变换和改进萤火虫算法优化极限学习机的短期负荷预测[J]. 数学的实践与认识, 2017, 47(3):9.
博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。
部分理论引用网络文献，若有侵权联系博主删除。
