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，本文采用天鹰算法进一步优化DELM超参数，仿真结果表明，改进算法的预测精度更高。

【DELM预测】基于天鹰算法改进深度学习极限学习机实现数据回归预测附matlab代码_深度学习​

【DELM预测】基于天鹰算法改进深度学习极限学习机实现数据回归预测附matlab代码_神经网络_02
编辑

【DELM预测】基于天鹰算法改进深度学习极限学习机实现数据回归预测附matlab代码_原始数据_03​

【DELM预测】基于天鹰算法改进深度学习极限学习机实现数据回归预测附matlab代码_神经网络_04
编辑

【DELM预测】基于天鹰算法改进深度学习极限学习机实现数据回归预测附matlab代码_原始数据_05​

【DELM预测】基于天鹰算法改进深度学习极限学习机实现数据回归预测附matlab代码_深度学习_06
编辑

【DELM预测】基于天鹰算法改进深度学习极限学习机实现数据回归预测附matlab代码_神经网络_07​

【DELM预测】基于天鹰算法改进深度学习极限学习机实现数据回归预测附matlab代码_深度学习_08
编辑

2 部分代码


          
          

           
           %_______________________________________________________________________________________%
           
           
%  Aquila Optimizer (AO) source codes (version 1.0)                                     %
           
           
%                                                                                       %
           
           
%  Developed in MATLAB R2015a (7.13)                                                    %
           
           
%  Author and programmer:                                                               %
           
           
%  Abualigah, L, Yousri, D, Abd Elaziz, M, Ewees, A, Al-qaness, M, Gandomi, A.          %
           
           
%         e-Mail: Aligah.2020@gmail.com      (Laith Abualigah)                          %
           
           
%       Homepage:                                                                       %
           
           
%         1- https://scholar.google.com/citations?user=39g8fyoAAAAJ&hl=en               %
           
           
%         2- https://www.researchgate.net/profile/Laith_Abualigah                       %
           
           
%                                                                                       %
           
           
%   Main paper:                                                                         %
           
           
%_____________Aquila Optimizer: A novel meta-heuristic optimization algorithm___________%
           
           
%_______________________________________________________________________________________%
           
           
% Abualigah, L, Yousri, D, Abd Elaziz, M, Ewees, A, Al-qaness, M, Gandomi, A. (2021). 
           
           
% Aquila Optimizer: A novel meta-heuristic optimization algorithm. 
           
           
% Computers & Industrial Engineering.
           
           
%_______________________________________________________________________________________%
           
           
function [Best_FF,Best_P,conv]=AO(N,T,LB,UB,Dim,F_obj)
           
           
Best_P=zeros(1,Dim);
           
           
Best_FF=inf;
           
           
X=initialization(N,Dim,UB,LB);
           
           
Xnew=X;
           
           
Ffun=zeros(1,size(X,1));
           
           
Ffun_new=zeros(1,size(Xnew,1));
           
           
t=1;
           
           
alpha=0.1;
           
           
delta=0.1;
           
           
    QF=t^((2*rand()-1)/(1-T)^2); % Eq. (15)
           
           
        %-------------------------------------------------------------------------------------
           
           
    for i=1:size(X,1)
           
           
        %-------------------------------------------------------------------------------------
           
           
        if t<=(2/3)*T
           
           
            if rand <0.5
           
           
                Xnew(i,:)=Best_P(1,:)*(1-t/T)+(mean(X(i,:))-Best_P(1,:))*rand(); % Eq. (3) and Eq. (4)
           
           
                Ffun_new(1,i)=F_obj(Xnew(i,:));
           
           
                if Ffun_new(1,i)<Ffun(1,i)
           
           
                    X(i,:)=Xnew(i,:);
           
           
                    Ffun(1,i)=Ffun_new(1,i);
           
           
                end
           
           
            else
           
           
                %-------------------------------------------------------------------------------------
           
           
                Xnew(i,:)=Best_P(1,:).*Levy(Dim)+X((floor(N*rand()+1)),:)+(y-x)*rand;       % Eq. (5)
           
           
                Ffun_new(1,i)=F_obj(Xnew(i,:));
           
           
                if Ffun_new(1,i)<Ffun(1,i)
           
           
                    X(i,:)=Xnew(i,:);
           
           
                    Ffun(1,i)=Ffun_new(1,i);
           
           
                end
           
           
            end
           
           
            %-------------------------------------------------------------------------------------
           
           
        else
           
           
            if rand<0.5
           
           
                Xnew(i,:)=(Best_P(1,:)-mean(X))*alpha-rand+((UB-LB)*rand+LB)*delta;   % Eq. (13)
           
           
                Ffun_new(1,i)=F_obj(Xnew(i,:));
           
           
                if Ffun_new(1,i)<Ffun(1,i)
           
           
                    X(i,:)=Xnew(i,:);
           
           
                    Ffun(1,i)=Ffun_new(1,i);
           
           
                end
           
           
            else
           
           
                %-------------------------------------------------------------------------------------
           
           
                Xnew(i,:)=QF*Best_P(1,:)-(G2*X(i,:)*rand)-G1.*Levy(Dim)+rand*G2; % Eq. (14)
           
           
                Ffun_new(1,i)=F_obj(Xnew(i,:));
           
           
                if Ffun_new(1,i)<Ffun(1,i)
           
           
                    X(i,:)=Xnew(i,:);
           
           
                    Ffun(1,i)=Ffun_new(1,i);
           
           
                end
           
           
            end
           
           
        end
           
           
    end
           
           
    %-------------------------------------------------------------------------------------
           
           
    if mod(t,100)==0
           
           
        display(['At iteration ', num2str(t), ' the best solution fitness is ', num2str(Best_FF)]);
           
           
    end
           
           
    conv(t)=Best_FF;
           
           
    t=t+1;
           
           
end
           
           
end
           
           
function o=Levy(d)
           
           
beta=1.5;
           
           
sigma=(gamma(1+beta)*sin(pi*beta/2)/(gamma((1+beta)/2)*beta*2^((beta-1)/2)))^(1/beta);
           
           
u=randn(1,d)*sigma;v=randn(1,d);step=u./abs(v).^(1/beta);
           
           
o=step;
           
           
end
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.
  • 12.
  • 13.
  • 14.
  • 15.
  • 16.
  • 17.
  • 18.
  • 19.
  • 20.
  • 21.
  • 22.
  • 23.
  • 24.
  • 25.
  • 26.
  • 27.
  • 28.
  • 29.
  • 30.
  • 31.
  • 32.
  • 33.
  • 34.
  • 35.
  • 36.
  • 37.
  • 38.
  • 39.
  • 40.
  • 41.
  • 42.
  • 43.
  • 44.
  • 45.
  • 46.
  • 47.
  • 48.
  • 49.
  • 50.
  • 51.
  • 52.
  • 53.
  • 54.
  • 55.
  • 56.
  • 57.
  • 58.
  • 59.
  • 60.
  • 61.
  • 62.
  • 63.
  • 64.
  • 65.
  • 66.
  • 67.
  • 68.
  • 69.
  • 70.
  • 71.
  • 72.
  • 73.
  • 74.
  • 75.
  • 76.
  • 77.
  • 78.
  • 79.
  • 80.
  • 81.
  • 82.
  • 83.

3 仿真结果

【DELM预测】基于天鹰算法改进深度学习极限学习机实现数据回归预测附matlab代码_原始数据_09​

【DELM预测】基于天鹰算法改进深度学习极限学习机实现数据回归预测附matlab代码_原始数据_10编辑

【DELM预测】基于天鹰算法改进深度学习极限学习机实现数据回归预测附matlab代码_神经网络_11​

【DELM预测】基于天鹰算法改进深度学习极限学习机实现数据回归预测附matlab代码_神经网络_12编辑

4 参考文献

[1]李国龙, 陈孝勇, 李喆裕,等. 采用天鹰优化卷积神经网络的精密数控机床主轴热误差建模. 

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。

【DELM预测】基于天鹰算法改进深度学习极限学习机实现数据回归预测附matlab代码_原始数据_13​

【DELM预测】基于天鹰算法改进深度学习极限学习机实现数据回归预测附matlab代码_原始数据_14编辑