CN114511021A - 基于改进乌鸦搜索算法的极限学习机分类算法 - Google Patents
基于改进乌鸦搜索算法的极限学习机分类算法 Download PDFInfo
- Publication number
- CN114511021A CN114511021A CN202210098429.3A CN202210098429A CN114511021A CN 114511021 A CN114511021 A CN 114511021A CN 202210098429 A CN202210098429 A CN 202210098429A CN 114511021 A CN114511021 A CN 114511021A
- Authority
- CN
- China
- Prior art keywords
- iter
- optimal
- algorithm
- crow
- search
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及极限学习机分类算法技术领域,具体涉及基于改进乌鸦搜索算法的极限学习机分类算法;包括以下步骤:搭建ELM网络模型,采用ICSA算法,对ELM模型随机生成的输入权重和阈值进行优化通过引入AP值动态递变函数去平衡全局和局部搜索性能,引入莱维飞行搜索方法避免盲目搜索,引入多个体变因子加权学习方法保证种群多样性,引入邻代维度交叉方法增强最优个体藏食位置质量,避免获得局部最优值,从而实现准确预测结果。本发明弥补随机生成输入权重和阈值带来的一系列缺陷,提高ELM模型分类精度,并在对ELM模型参数进行优化时,基于传统CSA算法,通过引入AP值动态递变函数去平衡全局和局部搜索性能,引入莱维飞行搜索方法避免盲目搜索。
Description
技术领域
本发明涉及极限学习机分类算法技术领域,具体涉及基于改进乌鸦搜索算法的极限学习机分类算法。
背景技术
极限学习机(ELM)具有与单隐层前馈神经网络一样的网络结构,在处理多分类问题上有着固定优势。与支持向量机(SVM)处理多分类问题需要多个分类器投票实现不同,ELM实现多分类只需要采用一个网络就能实现。ELM运算速度快、计算复杂度低,因为它不像SVM一样求解复杂二次优化,不像BP神经网络通过迭代求解,只需设置隐含层节点数就能获得良好的性能,同时采用的神经网络框架可以很容易处理多分类问题。
ELM随机生成输入层和隐含层之间的输入权重和隐含层神经元阈值,通过求解Moore-Penrose广义逆运算就可以得到输出权重,但是随机生成输入权重和阈值的方法将会导致部分隐含层神经元的作用很小,从训练样本中提取的信息不足以概括和反映数据的内在规律从而出现欠拟合问题,为了解决欠拟合问题需要采用更多的隐含层神经元个数,在降低响应速度的同时增加了计算复杂度和内存消耗,因此需要对ELM输入权重和阈值两个参数进行优化改进。
发明内容
针对ELM输入权重和阈值随机生成导致算法泛化性能低下的问题,提出一种基于改进乌鸦搜索算法(ICSA)的极限学习机分类算法。在CSA算法局限性的基础上,引入AP值动态递变函数去平衡全局和局部搜索性能,引入莱维飞行搜索方法避免盲目搜索,引入多个体变因子加权学习方法保证种群多样性,引入邻代维度交叉方法增强最优个体藏食位置质量,利用ICSA算法优化ELM输入权重和阈值,从而获得准确的预测结果,降低ELM算法误差,提高算法泛化性能。
为解决上述技术问题,在本发明中,首先搭建ELM网络模型,采用ICSA参数优化算法,对随机生成的输入权重和阈值进行优化,快速搜索最佳输入权重以及阈值,减少训练神经网络所需的评估次数。同时把得到的最佳输入权重和阈值作为ELM网络模型参数,降低ELM分类预测误差。
为实现上述目的,本发明提供了如下技术方案:
基于改进乌鸦搜索算法的极限学习机分类算法,包括:
搭建ELM网络模型,采用ICSA算法,对ELM模型随机生成的输入权重和阈值进行优化通过引入AP值动态递变函数去平衡全局和局部搜索性能,引入莱维飞行搜索方法避免盲目搜索,引入多个体变因子加权学习方法保证种群多样性,引入邻代维度交叉方法增强最优个体藏食位置质量,避免获得局部最优值,从而实现准确预测结果。
本发明进一步设置为:对于ELM模型随机生成的输入权重和阈值,采用ICSA寻优算法,自适应获取最优输入权重和阈值,其具体步骤如下所示:
Step1:设置最大迭代次数itermax,随机初始化N个初始解(乌鸦位置),计算初始乌鸦种群最佳位置和适应度,iter=1;
Step2:根据递变规则动态更新感知概率AP,实现局部和全局搜索性能之间的平衡,更新公式如下:
Step3:采用莱维飞行搜索策略避免寻优方向盲目性,采用多个体变因子加权学习策略确保子代乌鸦可以同时向多个个体学习,改善种群多样性,相应数学表达为:
xi,iter+1=xi,iter+ri(1,d)×(λitermj,iter+(1-λiter)biter-xi,iter),rj≥APj,iter(3)
其中α为步长缩放因子,控制随机搜索范围,rα为区间(0,1)区间内的随机数,γ、σ服从标准正态分布,Γ(x)=(x-1)!,s为取值范围在[1,2]之间的常数,xi,iter+1为乌鸦i在第iter+1次迭代下的个体最优藏食位置,ri(1,d)是区间(0,1)之间的d维随机变量,λiter为第iter次迭代时的加权学习因子,biter为第iter-1代种群的最佳藏食位置。
Step4:采用邻代维度交叉策略,估计并排序解之间的维度差,并进行交叉操作,交叉后更新位置;该更新策略的数学表达为:
其中是乌鸦i在维度k第iter+1次迭代时交叉h次后所在位置,是乌鸦j和乌鸦i经过交叉后所在位置,k是相邻子代最优解维度差异序列中排序h大的维度角标(是维度差异),h是执行交叉操作次数,是最大交叉次数,Rcross是维度交叉比例,表示乌鸦j和乌鸦i在第iter次迭代下经过交叉后所在位置的适应度值,f(xi ,iter)表示乌鸦i在第iter次迭代下所在位置的适应度值。当高于f(xi,iter)时,乌鸦i的位置则更新为否则保持不变。
Step5:判断是否满足最佳位置更新条件,满足则更新位置,否则不作任何变化。判断是否达到最大迭代次数,没有则返回Step2,迭代次数加一。
本发明进一步设置为:通过ICSA寻优算法获得最佳输入权重和阈值,将其作为ELM网络参数进行分类测试。具体步骤如下所示:
Step1:构建ELM模型,定义ICSA算法和ELM模型相关参数;随机初始化N个初始解(乌鸦的位置),生成的初始解维数为L×(n+1),第一个维数为L×n,表示输入权重,剩下的L维表示隐含层阈值。
Step2:利用步骤1得到的解在训练数据集上训练ELM模型,计算每个解的适应度值和最佳位置,根据递变规则构造AP值动态递变函数,迭代更新ICSA参数。
Step3:种群中所有乌鸦个体随机选择不同乌鸦跟随,采用莱维飞行搜索方法和多个体变因子加权学习方法,在跟随乌鸦的同时利用感知到的父代最优藏食位置生成自身藏食位置,并计算当前种群适应度值,检查新位置可行性,获得当前迭代最优解。
Step4:采用邻代维度交叉方法计算并排序解之间的维度差异,保留历代最优维度,获得最优个体位置。
Step5:判断算法是否达到最大迭代次数,如果满足,将获得的个体最优藏食位置作为ELM模型的输入权重和阈值去训练ELM模型;否则,返回Step3继续运行算法。
有益效果
采用本发明提供的技术方案,与已知的公有技术相比,具有如下有益效果:
本发明采用ICSA寻优算法对ELM参数进行优化,弥补随机生成输入权重和阈值带来的一系列缺陷,提高ELM模型分类精度。在对ELM模型参数进行优化时,基于传统CSA算法,通过引入AP值动态递变函数去平衡全局和局部搜索性能,引入莱维飞行搜索方法避免盲目搜索,引入多个体变因子加权学习方法保证种群多样性,引入邻代维度交叉方法增强最优个体藏食位置质量,避免获得局部最优值。
附图说明
图1是本发明ELM网络模型框架示意图;
图2是本发明ICSA算法实现流程图;
图3是本发明ICSA-ELM算法实现流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合实施例对本发明作进一步的描述。
实施例
如图1所示,所述ELM网络模型框架分为三层:左侧为输入层,中间为隐含层,右侧为输出层。
如图2所示,所述ICSA算法实现流程图。对于随机生成的输入权重和隐含层阈值,采用ICSA寻优算法,自适应获取最优输入权重和阈值。其具体步骤如下所示:
Step1:设置最大迭代次数itermax,随机初始化N个初始解(乌鸦位置),计算初始乌鸦种群最佳位置和适应度,iter=1;
Step2:根据递变规则动态更新感知概率AP,实现局部和全局搜索性能之间的平衡,更新公式如下:
Step3:采用莱维飞行搜索策略避免寻优方向盲目性,采用多个体变因子加权学习策略确保子代乌鸦可以同时向多个个体学习,改善种群多样性,相应数学表达为:
xi,iter+1=xi,iter+ri(1,d)×(λitermj,iter+(1-λiter)biter-xi,iter),rj≥APj,iter(3)
其中α为步长缩放因子,控制随机搜索范围,rα为区间(0,1)区间内的随机数,γ、σ服从标准正态分布,Γ(x)=(x-1)!,s为取值范围在[1,2]之间的常数,xi,iter+1为乌鸦i在第iter+1次迭代下的个体最优藏食位置,ri(1,d)是区间(0,1)之间的d维随机变量,λiter为第iter次迭代时的加权学习因子,biter为第iter-1代种群的最佳藏食位置;
Step4:采用邻代维度交叉策略,估计并排序解之间的维度差,并进行交叉操作,交叉后更新位置;该更新策略的数学表达为:
其中是乌鸦i在维度k第iter+1次迭代时交叉h次后所在位置,是乌鸦j和乌鸦i经过交叉后所在位置,k是相邻子代最优解维度差异序列中排序h大的维度角标(是维度差异),h是执行交叉操作次数,是最大交叉次数,Rcross是维度交叉比例,表示乌鸦j和乌鸦i在第iter次迭代下经过交叉后所在位置的适应度值,f(xi ,iter)表示乌鸦i在第iter次迭代下所在位置的适应度值;当高于f(xi,iter)时,乌鸦i的位置则更新为否则保持不变;
Step5:判断是否满足最佳位置更新条件,满足则更新位置,否则不作任何变化;判断是否达到最大迭代次数,没有则返回Step2,迭代次数加一。
如图3所示,所述ICSA-ELM算法实现流程图。通过ICSA寻优算法获得最佳输入权重和阈值,将其作为ELM网络参数进行分类测试。具体步骤如下所示:
Step1:构建ELM模型,定义ICSA算法和ELM模型相关参数;随机初始化N个初始解(乌鸦的位置),生成的初始解维数为L×(n+1),第一个维数为L×n,表示输入权重,剩下的L维表示隐含层阈值;
Step2:利用步骤1得到的解在训练数据集上训练ELM模型,计算每个解的适应度值和最佳位置,根据递变规则构造AP值动态递变函数,迭代更新ICSA参数;
Step3:种群中所有乌鸦个体随机选择不同乌鸦跟随,采用莱维飞行搜索方法和多个体变因子加权学习方法,在跟随乌鸦的同时利用感知到的父代最优藏食位置生成自身藏食位置,并计算当前种群适应度值,检查新位置可行性,获得当前迭代最优解;
Step4:采用邻代维度交叉方法计算并排序解之间的维度差异,保留历代最优维度,获得最优个体位置;
Step5:判断算法是否达到最大迭代次数,如果满足,将获得的个体最优藏食位置作为ELM模型的输入权重和阈值去训练ELM模型;否则,返回Step3继续运行算法。
综上所述,本发明采用改进乌鸦搜索算法优化ELM参数,弥补随机生成输入权重和隐含层阈值带来的一系列缺陷,提高分类精度。在对参数进行优化时,基于传统CSA算法,通过引入AP值动态递变函数去平衡全局和局部搜索性能,引入莱维飞行搜索方法避免盲目搜索,引入多个体变因子加权学习方法保证种群多样性,引入邻代维度交叉方法增强最优个体藏食位置质量,实现ELM参数优化目的,提高模型分类精度和泛化性能。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (3)
1.基于改进乌鸦搜索算法的极限学习机分类算法,其特征在于,包括以下步骤:搭建ELM网络模型,采用ICSA算法,对ELM模型随机生成的输入权重和阈值进行优化通过引入AP值动态递变函数去平衡全局和局部搜索性能,引入莱维飞行搜索方法避免盲目搜索,引入多个体变因子加权学习方法保证种群多样性,引入邻代维度交叉方法增强最优个体藏食位置质量,避免获得局部最优值,从而实现准确预测结果。
2.根据权利要求1所述的基于改进乌鸦搜索算法的极限学习机分类算法,其特征在于,对于ELM模型随机生成的输入权重和阈值,采用ICSA寻优算法,自适应获取最优输入权重和阈值,其具体步骤如下所示:
Step1:设置最大迭代次数itermax,随机初始化N个初始解(乌鸦位置),计算初始乌鸦种群最佳位置和适应度,iter=1;
Step2:根据递变规则动态更新感知概率AP,实现局部和全局搜索性能之间的平衡,更新公式如下:
Step3:采用莱维飞行搜索策略避免寻优方向盲目性,采用多个体变因子加权学习策略确保子代乌鸦可以同时向多个个体学习,改善种群多样性,相应数学表达为:
xi,iter+1=xi,iter+ri(1,d)×(λitermj,iter+(1-λiter)biter-xi,iter),rj≥APj,iter(3)
其中α为步长缩放因子,控制随机搜索范围,rα为区间(0,1)区间内的随机数,γ、σ服从标准正态分布,Γ(x)=(x-1)!,s为取值范围在[1,2]之间的常数,xi,iter+1为乌鸦i在第iter+1次迭代下的个体最优藏食位置,ri(1,d)是区间(0,1)之间的d维随机变量,λiter为第iter次迭代时的加权学习因子,biter为第iter-1代种群的最佳藏食位置;
Step4:采用邻代维度交叉策略,估计并排序解之间的维度差,并进行交叉操作,交叉后更新位置;该更新策略的数学表达为:
其中是乌鸦i在维度k第iter+1次迭代时交叉h次后所在位置,是乌鸦j和乌鸦i经过交叉后所在位置,k是相邻子代最优解维度差异序列中排序h大的维度角标(是维度差异),h是执行交叉操作次数,是最大交叉次数,Rcross是维度交叉比例,表示乌鸦j和乌鸦i在第iter次迭代下经过交叉后所在位置的适应度值,f(xi ,iter)表示乌鸦i在第iter次迭代下所在位置的适应度值;当高于f(xi,iter)时,乌鸦i的位置则更新为否则保持不变;
Step5:判断是否满足最佳位置更新条件,满足则更新位置,否则不作任何变化;判断是否达到最大迭代次数,没有则返回Step2,迭代次数加一。
3.根据权利要求2所述的基于改进乌鸦搜索算法的极限学习机分类算法,其特征在于,通过ICSA寻优算法获得最佳输入权重和阈值,将其作为ELM网络参数进行分类测试;具体步骤如下所示:
Step1:构建ELM模型,定义ICSA算法和ELM模型相关参数;随机初始化N个初始解(乌鸦的位置),生成的初始解维数为L×(n+1),第一个维数为L×n,表示输入权重,剩下的L维表示隐含层阈值;
Step2:利用步骤1得到的解在训练数据集上训练ELM模型,计算每个解的适应度值和最佳位置,根据递变规则构造AP值动态递变函数,迭代更新ICSA参数;
Step3:种群中所有乌鸦个体随机选择不同乌鸦跟随,采用莱维飞行搜索方法和多个体变因子加权学习方法,在跟随乌鸦的同时利用感知到的父代最优藏食位置生成自身藏食位置,并计算当前种群适应度值,检查新位置可行性,获得当前迭代最优解;
Step4:采用邻代维度交叉方法计算并排序解之间的维度差异,保留历代最优维度,获得最优个体位置;
Step5:判断算法是否达到最大迭代次数,如果满足,将获得的个体最优藏食位置作为ELM模型的输入权重和阈值去训练ELM模型;否则,返回Step3继续运行算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210098429.3A CN114511021A (zh) | 2022-01-27 | 2022-01-27 | 基于改进乌鸦搜索算法的极限学习机分类算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210098429.3A CN114511021A (zh) | 2022-01-27 | 2022-01-27 | 基于改进乌鸦搜索算法的极限学习机分类算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114511021A true CN114511021A (zh) | 2022-05-17 |
Family
ID=81549389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210098429.3A Pending CN114511021A (zh) | 2022-01-27 | 2022-01-27 | 基于改进乌鸦搜索算法的极限学习机分类算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114511021A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116630790A (zh) * | 2023-03-17 | 2023-08-22 | 安徽理工大学 | 一种基于边缘精度评价的分类结果优化方法 |
CN116702053A (zh) * | 2023-08-09 | 2023-09-05 | 长春理工大学 | 一种基于多元信息与mcsa-svm的农机故障检测方法 |
CN116911903A (zh) * | 2023-09-12 | 2023-10-20 | 福建福诺移动通信技术有限公司 | 一种分析用户的模型自动调参的方法及装置 |
CN117292283A (zh) * | 2023-11-24 | 2023-12-26 | 成都庆龙航空科技有限公司 | 一种基于无人机的目标识别方法 |
CN117808034A (zh) * | 2024-02-29 | 2024-04-02 | 济南农智信息科技有限公司 | 一种基于狼鸟优化算法的农作物产量预测优化方法 |
CN116630790B (zh) * | 2023-03-17 | 2024-05-24 | 安徽理工大学 | 一种基于边缘精度评价的分类结果优化方法 |
-
2022
- 2022-01-27 CN CN202210098429.3A patent/CN114511021A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116630790A (zh) * | 2023-03-17 | 2023-08-22 | 安徽理工大学 | 一种基于边缘精度评价的分类结果优化方法 |
CN116630790B (zh) * | 2023-03-17 | 2024-05-24 | 安徽理工大学 | 一种基于边缘精度评价的分类结果优化方法 |
CN116702053A (zh) * | 2023-08-09 | 2023-09-05 | 长春理工大学 | 一种基于多元信息与mcsa-svm的农机故障检测方法 |
CN116702053B (zh) * | 2023-08-09 | 2023-09-29 | 长春理工大学 | 一种基于多元信息与mcsa-svm的农机故障检测方法 |
CN116911903A (zh) * | 2023-09-12 | 2023-10-20 | 福建福诺移动通信技术有限公司 | 一种分析用户的模型自动调参的方法及装置 |
CN116911903B (zh) * | 2023-09-12 | 2023-12-22 | 福建福诺移动通信技术有限公司 | 一种分析用户的模型自动调参的方法及装置 |
CN117292283A (zh) * | 2023-11-24 | 2023-12-26 | 成都庆龙航空科技有限公司 | 一种基于无人机的目标识别方法 |
CN117292283B (zh) * | 2023-11-24 | 2024-02-13 | 成都庆龙航空科技有限公司 | 一种基于无人机的目标识别方法 |
CN117808034A (zh) * | 2024-02-29 | 2024-04-02 | 济南农智信息科技有限公司 | 一种基于狼鸟优化算法的农作物产量预测优化方法 |
CN117808034B (zh) * | 2024-02-29 | 2024-05-10 | 济南农智信息科技有限公司 | 一种基于狼鸟优化算法的农作物产量预测优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114511021A (zh) | 基于改进乌鸦搜索算法的极限学习机分类算法 | |
Liao et al. | On the importance of normalisation layers in deep learning with piecewise linear activation units | |
Lu et al. | Generalized radial basis function neural network based on an improved dynamic particle swarm optimization and AdaBoost algorithm | |
CN110514206B (zh) | 一种基于深度学习的无人机飞行路径预测方法 | |
CN106600059A (zh) | 基于改进rbf神经网络的智能电网短期负荷预测方法 | |
CN112288086A (zh) | 一种神经网络的训练方法、装置以及计算机设备 | |
Jia et al. | A semi-supervised online sequential extreme learning machine method | |
CN114662780A (zh) | 碳排放量预测方法、装置、电子设备及存储介质 | |
WO2022105108A1 (zh) | 一种网络数据分类方法、装置、设备及可读存储介质 | |
CN113190688A (zh) | 基于逻辑推理和图卷积的复杂网络链接预测方法及系统 | |
CN111355633A (zh) | 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法 | |
Zhang et al. | Evolving neural network classifiers and feature subset using artificial fish swarm | |
CN110837891B (zh) | 基于simd架构的自组织映射方法及系统 | |
CN110222816B (zh) | 深度学习模型的建立方法、图像处理方法及装置 | |
CN110991621A (zh) | 一种基于通道数搜索卷积神经网络的方法 | |
CN116170328A (zh) | 图形编码的使用带宽预测方法及装置 | |
CN116859903A (zh) | 基于改进哈里斯鹰优化算法的机器人平滑路径规划方法 | |
CN112036651A (zh) | 基于量子免疫优化bp神经网络算法的电价预测方法 | |
CN117273109A (zh) | 基于量子神经元的混合神经网络的构建方法及装置 | |
CN111353525A (zh) | 一种不均衡不完整数据集的建模及缺失值填补方法 | |
Song et al. | Study on GA-based training algorithm for extreme learning machine | |
Wu et al. | Echo state network prediction based on backtracking search optimization algorithm | |
CN115438842A (zh) | 一种基于自适应改进蜉蝣和bp神经网络的负荷预测方法 | |
CN114637720A (zh) | 一种基于增长型环形som神经网络的片上光网络映射方法 | |
KR102082999B1 (ko) | Rce 신경망 학습 장치 및 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |