原理1：
深度極限學習機也叫多層極限學習機ML-ELM，其首先采用多個極限學習機-自動編碼器(ELM-AE)進行無監督預訓練，然后利用各ELM-AE的輸出權重用于初始化整個DELM，相比于其他深度方法，DELM具有訓練速度快的優點，但是ELM-AE在預訓練的程序中，輸入層權重與偏置是隨機產生的正交隨機矩陣；同時，ELM-AE無監督預訓練程序中采用最小二乘法更新引數，但只有輸出層權重引數會更新，而輸入層權重與偏置是不進行更新的，這就導致了最終DELM的效果受各ELM-AE的隨機輸入權重與隨機偏置的影響，為此，可以采用某種方法進行這些引數進行尋優，依次提高DELM的網路精度，
圖1 ELM-AE網路結構
原理2：
麻雀搜索演算法(Sparrow Search Algorithm, SSA)是一種新型的群智能優化演算法，在2020年提出，主要是受麻雀的覓食行為和反捕食行為的啟發，因為這個演算法是2020年出來的，相關論文很少，想水論文的有很大機會，因此，本文采用SSA對DELM預訓練的各ELM-AE輸入權重與偏置進行尋優，
應用：將上述方法用于時間序列預測，資料為風速時間序列，利用前1到num的各種值為輸入 第num+1的風速作為輸出，資料截圖如下：
圖2 風速資料截圖
第1：DELM效果，結果如下圖3，左下角為各指標，
圖3 DELM結果
第2：SSA優化DELM效果，如下圖4
圖4 SSA-DELM結果
結論：
從結果上看，DELM在這個資料集上表現比較好，但SSA-DELM還是略勝一籌，更多見我github：https://github.com/fish-kong/SSA-DELM-regression
轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/158966.html
標籤：python
上一篇：etcd — 安裝部署
下一篇：深度學習 計算機視覺成長競賽路線