煙花算法優(yōu)化極限學(xué)習(xí)機的研究及應(yīng)用.pdf

1、隨著科技的發(fā)展，算法已經(jīng)成為智能化技術(shù)的核心。機器學(xué)習(xí)算法已成為主要的研究領(lǐng)域。在近年的機器學(xué)習(xí)領(lǐng)域中，神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)、支持向量機和極限學(xué)習(xí)機算法相繼出現(xiàn)了，其中極限學(xué)習(xí)機算法成為近年機器學(xué)習(xí)領(lǐng)域的研究熱點。隨著科學(xué)的發(fā)展，原有的極限學(xué)習(xí)機在眾多的領(lǐng)域已不能滿足其要求，所以在極限學(xué)習(xí)算法的基礎(chǔ)上，國內(nèi)外的研究人員相繼提出了眾多基于極限學(xué)習(xí)機的改進算法。例如，基于蟻群的極限學(xué)習(xí)機和基于粒子群的極限學(xué)習(xí)等。為此，本文提出了一種基于煙

2、花算法優(yōu)化的極限學(xué)習(xí)算法。并對此算法展開研究，闡述煙花極限學(xué)習(xí)機的理論及相關(guān)應(yīng)用。
　　首先，本文對人工神經(jīng)網(wǎng)絡(luò)、單隱層神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機算法的基本理論及原理進行了深入研究，介紹了幾種算法的公式推導(dǎo)和算法實現(xiàn)流程。在研究粒子群極限學(xué)習(xí)機原理的基礎(chǔ)之上，采用煙花算法優(yōu)化極限學(xué)習(xí)機的輸入權(quán)值。其原理如下：首先煙花算法經(jīng)過多次的迭代，確定M個最優(yōu)的煙花，并且以極限學(xué)習(xí)機測試樣本的RMSE作為煙花算法每次迭代的適應(yīng)度函數(shù)。然后達到優(yōu)化極

3、限學(xué)習(xí)機輸入權(quán)值矩陣和隱含層偏差的效果。最后根據(jù)廣義逆求出輸出矩陣。
　　其次，在完成算法的基礎(chǔ)上，采用一維SinC函數(shù)和一維高斯函數(shù)對算法性能進行分析，并與極限學(xué)習(xí)機進行對比。例如，分析隱含層節(jié)點數(shù)目、迭代次數(shù)分別對算法性能的影響。最后得出結(jié)論，煙花極限學(xué)習(xí)機相比于極限學(xué)習(xí)機能夠以更少的隱含層節(jié)點個數(shù)達到更高的精度，在實際應(yīng)用過程中節(jié)省了輸入節(jié)點所占用的空間。
　　然后，把煙花極限學(xué)習(xí)機算法運用到光伏發(fā)電輸出功率預(yù)測中，在

4、驗證煙花極限學(xué)習(xí)機算法的同時，也驗證了一種光伏發(fā)電輸出功率預(yù)測的可行性方法。本文采用某網(wǎng)站公布的澳大利亞某地區(qū)的一個光伏發(fā)電系統(tǒng)輸出功率及其相關(guān)的氣象數(shù)據(jù)信息。本文先對數(shù)據(jù)進行歸一化處理、數(shù)據(jù)異常值處理、數(shù)據(jù)值缺失處理，建立預(yù)測模型的訓(xùn)練樣本和測試樣本。
　　最后，本文分別建立基于極限學(xué)習(xí)機光伏發(fā)電輸出功率預(yù)測模型、粒子群極限學(xué)習(xí)機光伏發(fā)電輸出功率模型和煙花極限學(xué)習(xí)機光伏發(fā)電輸出功率模型。在相同的隱含層節(jié)點數(shù)目的情況下對三種預(yù)測模