超限學習機的優(yōu)化改進及應用研究.pdf

1、隨著互聯(lián)網(wǎng)+時代的來臨，不論在互聯(lián)網(wǎng)行業(yè)、快消品行業(yè)、金融行業(yè)，還是傳統(tǒng)的化工行業(yè)、制造行業(yè)，其數(shù)據(jù)量都正在以爆炸式的速度增長。大數(shù)據(jù)的流通、存儲、分析、可視化等任務對于各企業(yè)都是重大的挑戰(zhàn)。機器學習技術作為一種對數(shù)據(jù)中隱含模式及規(guī)律進行分析和挖掘的重要手段，也日益凸顯出它的威力和重要性。直至今日，機器學習的研究和應用已被廣泛地應用于圖像識別，語音分析，自然語言處理及各類商用數(shù)據(jù)以及工業(yè)數(shù)據(jù)的挖掘中。
　　在機器學習的研究中，分類

2、和回歸是兩大基礎。在機器學習的研究進程中，出現(xiàn)了如廣義線性模型(GLM)、人工神經(jīng)網(wǎng)絡(ANN)、支持向量機(SVM)、超限學習機(ELM)等通用算法。如何在提高分類器的準確率或者回歸器的擬合精度的同時提高算法的泛化能力，已經(jīng)成為現(xiàn)在機器學習技術發(fā)展的重要課題。
　　在此背景下，本文主要研究并完成了以下工作:
　　(1)針對ELM算法中由于輸入層，隱層的權重隨機初始化操作而會導致的隱層輸出矩陣H不滿秩從而導致部分隱層節(jié)點不起

3、作用的問題，本文提出了相關性映射超限學習機。利用輸入特征與預測標簽之間的相關性系數(shù)，將特征與標簽之間的線性相關信息經(jīng)過非線性函數(shù)映射后，用于確定輸入層-隱層的權重矩陣。數(shù)據(jù)集測試結果表明該算法不僅可以提高超限學習機在分類及回歸任務中的預測準確率和精度，同時可以更加高效地利用隱層節(jié)點，提高模型的泛化能力。
　　(2)針對由于ELM網(wǎng)絡中隱層激活函數(shù)單一化而導致其難以學習復雜數(shù)據(jù)，同時易產(chǎn)生冗余隱層節(jié)點的問題，本文提出了基于粒子群算法

4、的混合域超限學習機算法。該算法將隱層激活函數(shù)的組合（包含7種候選的激活函數(shù)）定義為一個粒子，隨機產(chǎn)生大量粒子成為初始群體，按照一定進化規(guī)則迭代尋找隱層節(jié)點對應最優(yōu)個體，即最優(yōu)的激活函數(shù)組合。數(shù)據(jù)集測試結果表明該算法有效地提高了隱層節(jié)點的利用率和模型最終的泛化能力。
　　(3)針對石油化工生產(chǎn)過程中設備管道流動腐蝕的沖刷腐蝕現(xiàn)象，結合實際問題，開展了如下研究工作:1.利用實驗設備，按照固定變量法，獲得10號碳鋼在不同實驗條件下的沖蝕

5、速率。2.利用CFD計算流體力學仿真軟件，對90度彎管在不同條件下的沖蝕速率（包括平均速率和最大速率）進行仿真測試。對以上2種沖刷腐蝕現(xiàn)象，基于收集的歷史數(shù)據(jù)，利用多種機器學習模型進行建模測試，發(fā)現(xiàn)本文提出的2種超限學習機改進算法均能更好地對沖蝕數(shù)據(jù)進行擬合和預測，從而為石油化工行業(yè)中腐蝕建模預測問題提供了一種可行的方法。
　　本文從理論分析到實際應用都取得了一定的進展，為超限學習機在復雜工業(yè)問題中的應用提供了一些新的思路，具有一