文献

J-GLOBAL ID：201602287057497437   整理番号：16A1237545

最適化カーネル限界学習機械に基づく風力発電時系列の予測【JST・京大機械翻訳】

Wind power time series prediction using optimized kernel extreme learning machine method

著者 (2件)： Li Jun (School of Automation and Electrical Engineering, Lanzhou Jiaotong University) ,  Li Dachao (School of Automation and Electrical Engineering, Lanzhou Jiaotong University)
資料名： Wuli Xuebao  (Wuli Xuebao)
巻： 65  号： 13  ページ： 130501-1-130501-10  発行年： 2016年 
JST資料番号： B0628A  ISSN： 1000-3290  CODEN： WLHPA  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 時系列予測のために,単一層フィードフォワードニューラルネットワークに基づいて,進化計算に基づく最適化戦略を提案した。本論文では,最適化されたカーネル限界学習機械(O KERNEL 極度に LEARNING MACHINE,O-KELM)を提案した。限界学習機械(ELM LEARNING MACHINE, ELM)の方法と比較して,以下の結果を得た。カーネル限界学習マシン(KERNEL)は,隠れ層の非線形特性をマッピングするために,隠れ層の数を設定する必要がない。正則化最小二乗法を用いてネットワークの出力重みを計算することによって、非常に速い学習速度で良好な普及性を得ることができる。KELMに基づいて,遺伝的アルゴリズム,シミュレーテッドアニーリング,微分進化の3つの進化アルゴリズムを,モデルの構造選択,正規化係数,およびカーネルパラメータの最適化に適用して,ネットワーク性能をさらに向上させた。O-KELM法を標準標準-GLASSカオス時系列予測とある地域の風力発電時系列予測に適用した。また、最適化した極限学習機械(最適 極度に LEARNING MACHINE、O-ELM)方法と比較した。実験結果により、提案したO-KELM方法は予測精度においてO-ELM方法より優れ、その有効性を示した。Data from the ScienceChina, LCAS.【JST・京大機械翻訳】

シソーラス用語： *学習機械 ,  正則化 ,  *風力発電 ,  遺伝的アルゴリズム ,  進化的計算 ,  正規化 ,  最小二乗法 ,  シミュレーテッドアニーリング ,  *学習 ,  *最適化
準シソーラス用語： 予測精度 ,  進化的アルゴリズム ,  隠れ層 ,  フィードフォワードニューラルネットワーク ,  時系列予測 , 【Automatic Indexing@JST】

著者キーワード (4件)： kernel extreme learning machine ,  optimization method ,  time series ,  prediction

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (7件)： 最適化 ,  カーネル ,  限界 ,  学習機械 ,  風力発電 ,  時系列 ,  予測