一種基于深層極限學(xué)習(xí)機(jī)的危險(xiǎn)源識(shí)別方法
【專利摘要】本發(fā)明公開一種基于深層極限學(xué)習(xí)機(jī)的危險(xiǎn)源識(shí)別方法，該方法采用的深層神經(jīng)網(wǎng)絡(luò)由深層結(jié)構(gòu)模塊和單隱藏層神經(jīng)網(wǎng)絡(luò)模塊兩部分組成，包括如下步驟：利用SVM將危險(xiǎn)源信息劃分到不同的領(lǐng)域分類中，并將不同的領(lǐng)域分類集輸入到相應(yīng)的網(wǎng)絡(luò)模塊中；對(duì)每個(gè)網(wǎng)絡(luò)模塊使用S?ELM算法，得到各深層網(wǎng)絡(luò)的預(yù)識(shí)別結(jié)果；將深層網(wǎng)絡(luò)預(yù)識(shí)別結(jié)果組合作為頂層神經(jīng)網(wǎng)絡(luò)的輸入；根據(jù)ELM算法和激勵(lì)函數(shù)，計(jì)算單隱藏層ELM的初始隱層輸出和輸出權(quán)重；根據(jù)改進(jìn)的反向傳播算法，確定網(wǎng)絡(luò)的最終輸入權(quán)重，隱藏層特征空間和輸出權(quán)重；最終得到危險(xiǎn)源識(shí)別結(jié)果。此種識(shí)別方法可提高危險(xiǎn)源識(shí)別的靈活性，減少經(jīng)驗(yàn)數(shù)據(jù)的急劇膨脹，提高對(duì)經(jīng)驗(yàn)知識(shí)的利用率，緩解高維數(shù)據(jù)訓(xùn)練時(shí)的內(nèi)存壓力。
【專利說明】
一種基于深層極限學(xué)習(xí)機(jī)的危險(xiǎn)源識(shí)別方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于信息感知與識(shí)別技術(shù)領(lǐng)域，特別涉及一種基于深層極限學(xué)習(xí)機(jī)的危險(xiǎn) 源識(shí)別方法。
【背景技術(shù)】
[0002] 隨著民航事業(yè)的迅猛發(fā)展，空中交通安全管理壓力驟增?？焖贉?zhǔn)確地發(fā)現(xiàn)空管系 統(tǒng)中的危險(xiǎn)源，并準(zhǔn)確地對(duì)危險(xiǎn)源進(jìn)行控制，對(duì)提高空管安全有著重要的作用。
[0003] 現(xiàn)階段危險(xiǎn)源識(shí)別技術(shù)大體分為3種類型。第一種是人工分析法，這種方式主要依 靠經(jīng)驗(yàn)知識(shí)，結(jié)合航空局提供的相關(guān)分析方法進(jìn)行分析，但是不能將人力解放出來去解決 更加復(fù)雜的問題。第二種方法是計(jì)算機(jī)輔助法，通過計(jì)算機(jī)構(gòu)建系統(tǒng)模型輔助人工分析或 實(shí)現(xiàn)相關(guān)方法的分析過程，這樣減少了人力的消耗，但是不能充分利用現(xiàn)有的經(jīng)驗(yàn)知識(shí)。第 三種方法是以專家系統(tǒng)為代表的智能化危險(xiǎn)源識(shí)別方法，目前該方法的核心技術(shù)主要是基 于案例推理的方法，該方法可以有效利用經(jīng)驗(yàn)知識(shí)，但存在經(jīng)驗(yàn)數(shù)據(jù)庫膨脹和靈活性差的 問題。
[0004]為此，在現(xiàn)代民航空中交通管理中需要一種危險(xiǎn)源識(shí)別方法能夠充分利用經(jīng)驗(yàn)知 識(shí)并且靈活準(zhǔn)確。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的，在于提供一種基于深層極限學(xué)習(xí)機(jī)的危險(xiǎn)源識(shí)別方法，其可提高 危險(xiǎn)源識(shí)別的靈活性，減少經(jīng)驗(yàn)數(shù)據(jù)的急劇膨脹，提高對(duì)經(jīng)驗(yàn)知識(shí)的利用率，緩解高維數(shù)據(jù) 訓(xùn)練時(shí)的內(nèi)存壓力。
[0006] 為了達(dá)成上述目的，本發(fā)明的解決方案是：
[0007] -種基于深層極限學(xué)習(xí)機(jī)的危險(xiǎn)源識(shí)別方法，該方法采用的深層神經(jīng)網(wǎng)絡(luò)由深層 結(jié)構(gòu)模塊和單隱藏層神經(jīng)網(wǎng)絡(luò)模塊兩部分組成，包括如下步驟：
[0008] 步驟1，利用SVM將危險(xiǎn)源信息R劃分到不同的領(lǐng)域分類中，并將不同的領(lǐng)域分類集 輸入到相應(yīng)的網(wǎng)絡(luò)模塊中；
[0009] 步驟2,對(duì)每個(gè)網(wǎng)絡(luò)模塊使用S-ELM算法，得到各深層網(wǎng)絡(luò)的預(yù)識(shí)別結(jié)果H1;
[0010] 步驟3:將深層網(wǎng)絡(luò)預(yù)識(shí)別結(jié)果組合作為單隱藏層神經(jīng)網(wǎng)絡(luò)模塊的輸入Hinput = {Hi,…，H4};
[0011] 步驟4:根據(jù)ELM算法和激勵(lì)函數(shù)，計(jì)算單隱藏層ELM的初始隱層輸出Ht和輸出權(quán)重 0t，下標(biāo)t表示該變量是臨時(shí)變量；
[0012] 步驟5:根據(jù)改進(jìn)的反向傳播算法，確定網(wǎng)絡(luò)的最終輸入權(quán)重W，隱藏層特征空間Η 和輸出權(quán)重β;
[0013]步驟6:危險(xiǎn)源識(shí)別結(jié)果：
[0014] Γ〇 = Ηβ。
[0015] 上述步驟1中，將危險(xiǎn)源分為人員、設(shè)備、環(huán)境和管理4個(gè)領(lǐng)域，分別以 表示，則分類后的結(jié)果是R = {&，C2，C3，C4}τ。
[0016]上述步驟2的詳細(xì)內(nèi)容是:設(shè)各網(wǎng)絡(luò)模塊隱藏節(jié)點(diǎn)的個(gè)數(shù)為出，深層網(wǎng)絡(luò)的層數(shù)為 U，根據(jù)危險(xiǎn)源構(gòu)成要素表T，從不同數(shù)域隨機(jī)產(chǎn)生各網(wǎng)絡(luò)模塊的權(quán)重巧=Wv·…口 隱藏節(jié)點(diǎn)偏移量& = 1色1，..::.，色％}，并選擇3型函數(shù)：
[0018]作為激勵(lì)函數(shù)，計(jì)算各網(wǎng)絡(luò)模塊首層的隱層特征空間Hll:
[0020]使用維度約減算法對(duì)各網(wǎng)絡(luò)模塊首層產(chǎn)生的隱層特征空間約減得到把u并把把u 傳遞給第二層;在第二層，隨機(jī)產(chǎn)生H-礦u個(gè)隱層節(jié)點(diǎn)，它們的輸出與礦u相結(jié)合構(gòu)成第二 層隱層特征空間Hl2，重復(fù)上述步驟，直到產(chǎn)生第L層的隱層特征空間H lL，網(wǎng)絡(luò)模塊的隱層特 征空間Hi = HiL〇
[0021]上述步驟4中，輸出權(quán)重的計(jì)算公式是：
[0023]其中，0表示訓(xùn)練數(shù)據(jù)集的輸出。
[0024] 上述步驟5中，隱藏層特征空間Η的計(jì)算公式是：
[0025] 漢=1 / [1 - exp、-U+/,)]
[0026] 其中，b表示隱層節(jié)點(diǎn)偏移量。
[0027] 上述的深層結(jié)構(gòu)模塊和單隱藏層神經(jīng)網(wǎng)絡(luò)模塊異構(gòu)。
[0028] 采用上述方案后，本發(fā)明與現(xiàn)有識(shí)別技術(shù)相比，具有以下效益：
[0029] (1)通過分模塊學(xué)習(xí)使得網(wǎng)絡(luò)能夠維持較優(yōu)的結(jié)構(gòu)，提高了危險(xiǎn)源識(shí)別準(zhǔn)確性并 解決了神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)內(nèi)存受限的問題；
[0030] (2)通過使用深層神經(jīng)網(wǎng)絡(luò)方法，由網(wǎng)絡(luò)記憶對(duì)案例的學(xué)習(xí)結(jié)果，不需要搜索案例 庫，減慢了案例庫的增長(zhǎng)速度；
[0031] (3)若有新的危險(xiǎn)源出現(xiàn)出現(xiàn)，網(wǎng)絡(luò)學(xué)習(xí)新的識(shí)別特征，提高識(shí)別的靈活性。
【附圖說明】
[0032] 圖1是本發(fā)明使用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖；
[0033]圖2是S-ELM算法的流程圖；
[0034]圖3是本發(fā)明的流程圖。
【具體實(shí)施方式】
[0035]以下將結(jié)合附圖，對(duì)本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說明。
[0036]本發(fā)明提供一種基于深層極限學(xué)習(xí)機(jī)的危險(xiǎn)源識(shí)別方法，首先對(duì)其使用的異構(gòu)的 深層神經(jīng)網(wǎng)絡(luò)進(jìn)行說明，如圖1所示，該神經(jīng)網(wǎng)絡(luò)由兩部分構(gòu)成，第一部分是按照模塊組織 的深層結(jié)構(gòu)，該結(jié)構(gòu)由多個(gè)深層神經(jīng)網(wǎng)絡(luò)構(gòu)成，根據(jù)輸入數(shù)據(jù)的不同，這些深層神經(jīng)網(wǎng)絡(luò)可 以具有不同的隱藏節(jié)點(diǎn)個(gè)數(shù)和層數(shù);第二部分是一個(gè)單隱藏層神經(jīng)網(wǎng)絡(luò)，用來接收深層結(jié) 構(gòu)的學(xué)習(xí)特征。
[0037] (一)深層結(jié)構(gòu)模塊
[0038] 在深層結(jié)構(gòu)中，各模塊可根據(jù)危險(xiǎn)源狀態(tài)信息所屬領(lǐng)域或其他的危險(xiǎn)源狀態(tài)信息 分類規(guī)則進(jìn)行劃分，根據(jù)不同的領(lǐng)域構(gòu)建不同的深層神經(jīng)網(wǎng)絡(luò)。我們引入棧式極限學(xué)習(xí)機(jī) (S_ELM，Stacked Extreme Learning Machine)作為網(wǎng)絡(luò)的訓(xùn)練方法。如圖2所不，S-ELM算 法的主要思想是前一層節(jié)點(diǎn)能夠有選擇地傳遞其中的重要節(jié)點(diǎn)給上一層，然后上層節(jié)點(diǎn)利 用接受的節(jié)點(diǎn)與隨機(jī)產(chǎn)生的節(jié)點(diǎn)構(gòu)成自己的隱層輸出。算法本質(zhì)就是網(wǎng)絡(luò)的第L-1層中的η 維隱層特征空間通過維度約減產(chǎn)生最重要的η'維隱層特征空間，并將這η'維隱層特征空間 傳遞給上一層，上一層只需要產(chǎn)生η-Υ個(gè)隨機(jī)節(jié)點(diǎn)，這η-Υ個(gè)節(jié)點(diǎn)產(chǎn)生的隱層輸出與接收 到的Υ個(gè)節(jié)點(diǎn)作為第L層的隱層特征空間?？紤]到一般危險(xiǎn)源的構(gòu)成要素對(duì)于危險(xiǎn)源的識(shí) 別具有一定的指導(dǎo)作用，我們對(duì)S-ELM算法進(jìn)行了改進(jìn)。在算法中，構(gòu)建一張存放一般危險(xiǎn) 源構(gòu)成要素的表L，在初始化權(quán)重時(shí)，查找表L，如果狀態(tài)信息在L中，從一個(gè)較大的數(shù)域中隨 機(jī)產(chǎn)生相應(yīng)的權(quán)重值;否則，從較小的數(shù)域中產(chǎn)生權(quán)重。
[0039] 在S-ELM中，重要節(jié)點(diǎn)通常通過主成分分析算法（PCA,Principal Components Algorithm)來產(chǎn)生。它的主要思想是利用數(shù)據(jù)集協(xié)方差矩陣的特征值分解或數(shù)據(jù)集矩陣的 奇異值分解將數(shù)據(jù)集中相關(guān)的變量轉(zhuǎn)換為非線性相關(guān)的變量。具體方法是將相關(guān)數(shù)據(jù)標(biāo)準(zhǔn) 化，求出標(biāo)準(zhǔn)化后矩陣B的協(xié)方差矩陣C，利用特征值分解求C的特征向量D和特征值V，將特 征值和相應(yīng)的特征向量按特征值遞減排列得到排序后特征向量V，將矩陣B與D'的前m行相 乘，得到非線性相關(guān)的變量Y = BD'。
[0040] (二)單隱藏層神經(jīng)網(wǎng)絡(luò)模塊
[0041] 在單隱藏層神經(jīng)網(wǎng)絡(luò)模塊，網(wǎng)絡(luò)接收深層結(jié)構(gòu)學(xué)習(xí)的深層特征，學(xué)習(xí)得到最終的 識(shí)別結(jié)果。
[0042] 方法中的單隱藏層神經(jīng)網(wǎng)絡(luò)使用傳統(tǒng)極限學(xué)習(xí)機(jī)進(jìn)行訓(xùn)練，為了提高網(wǎng)絡(luò)的魯棒 性，方法中使用標(biāo)準(zhǔn)化的ELM，引入對(duì)試驗(yàn)危險(xiǎn)性和結(jié)構(gòu)危險(xiǎn)性的平衡參數(shù)C，由于訓(xùn)練樣本 的數(shù)量常常小于隱藏層節(jié)點(diǎn)的數(shù)量，RELM的輸出權(quán)重β如下：
[0044] 識(shí)別準(zhǔn)確性是危險(xiǎn)源識(shí)別過程的關(guān)鍵問題。為了提高網(wǎng)絡(luò)的準(zhǔn)確性，我們引入反 向傳播算法(BP，Backpropagation algorithm)對(duì)網(wǎng)絡(luò)的權(quán)重進(jìn)行微調(diào)。設(shè)訓(xùn)練過程中的輸 入為Xtrain，輸出結(jié)果為Yi^i，激勵(lì)函數(shù)為g(x)。在單隱藏層極限學(xué)習(xí)機(jī)中反向傳播算法的 基本思路是通過向輸入權(quán)重傳遞網(wǎng)絡(luò)誤差不斷更新權(quán)重，使網(wǎng)絡(luò)達(dá)到較優(yōu)的結(jié)構(gòu)。為了提 高網(wǎng)絡(luò)的收斂效率，算法選擇性地更新網(wǎng)絡(luò)權(quán)重。具體步驟如下：
[0045] 1.根據(jù)基本ELM算法隨機(jī)產(chǎn)生ELM的輸入權(quán)重W，計(jì)算網(wǎng)絡(luò)的輸出權(quán)重β:
[0047] 2.根據(jù)實(shí)際輸出結(jié)果Γ。與訓(xùn)練集輸出結(jié)果Ylab(3l，計(jì)算網(wǎng)絡(luò)誤差Ε:
[0048] E = Yiabei_r。 （3)
[0049] 3.根據(jù)網(wǎng)絡(luò)誤差E，計(jì)算網(wǎng)絡(luò)的權(quán)重更新AW:
[0050] a，=以 IT,, (1 - Γ,,) ,ν? ⑷
[0051 ] 4 ·更新網(wǎng)絡(luò)權(quán)重：
[0052] 如果網(wǎng)絡(luò)中輸入數(shù)據(jù)量大于一個(gè)閾值Τη,利用PCA,求出選擇權(quán)重，和特征向量 D'，網(wǎng)絡(luò)權(quán)重為礦=·τ - Δ my ;
[0053] 如果網(wǎng)絡(luò)中輸入數(shù)據(jù)量小于一個(gè)閾值Τη，網(wǎng)絡(luò)權(quán)重為W=W- Δ W;
[0054] 5.利用新的輸入權(quán)重重新計(jì)算新的輸出權(quán)重β和Γ。；
[0055] 6.如果Ylabel= Γ。，則算法停止；否則，返回步驟2繼續(xù)進(jìn)行計(jì)算，直到達(dá)到一個(gè)足 夠大的迭代次數(shù)或算法收斂。
[0056] 以上就是危險(xiǎn)源識(shí)別方法中的關(guān)鍵技術(shù)，深層網(wǎng)絡(luò)中的兩部分就構(gòu)成了危險(xiǎn)源識(shí) 別的兩個(gè)階段:預(yù)學(xué)習(xí)階段和再學(xué)習(xí)階段。在預(yù)學(xué)習(xí)階段，通過深層結(jié)構(gòu)學(xué)習(xí)危險(xiǎn)源狀態(tài)信 息各領(lǐng)域深層特征，在再學(xué)習(xí)階段，學(xué)習(xí)各領(lǐng)域深層特征得到危險(xiǎn)源的識(shí)別結(jié)果。
[0057]將HRELM方法運(yùn)用于危險(xiǎn)源識(shí)別中可以有效的提高識(shí)別準(zhǔn)確率，緩解經(jīng)驗(yàn)數(shù)據(jù)庫 的膨脹。根據(jù)前文所述，將從2個(gè)階段具體介紹本發(fā)明技術(shù)方案：
[0058](一)預(yù)學(xué)習(xí)階段
[0059]假設(shè)危險(xiǎn)源的狀態(tài)信息為R={ri，r2，…，rn} T，對(duì)應(yīng)的識(shí)別結(jié)果為0={〇1，…，〇n}， 根據(jù)空中交通安全管理體系建設(shè)指導(dǎo)手冊(cè)將危險(xiǎn)源分為人員、設(shè)備、環(huán)境和管理4個(gè)領(lǐng)域。 為了確定狀態(tài)信息U(j = l，···，!〇所屬的領(lǐng)域分類即網(wǎng)絡(luò)模塊，利用處理非線性數(shù)據(jù)具有 優(yōu)越性的支持向量機(jī)(SVM，Support Vector Machine)對(duì)狀態(tài)信息進(jìn)行分類。設(shè)分類后的結(jié) 果為尺={&，〇2，〇3，〇4}7，其中，$={4，[ 2，*.，，~}%' = 1，..，，4)，％是領(lǐng)域沖包含危 險(xiǎn)源信息，將分類后的結(jié)果輸入相應(yīng)網(wǎng)絡(luò)模塊中。接著對(duì)各子網(wǎng)絡(luò)模塊使用S-ELM算法，在 使用S-ELM算法之前，設(shè)各網(wǎng)絡(luò)模塊隱藏節(jié)點(diǎn)的個(gè)數(shù)為出，深層結(jié)構(gòu)模塊的層數(shù)為U。根據(jù)危 險(xiǎn)源構(gòu)成要素表T，從不同數(shù)域隨機(jī)產(chǎn)生各網(wǎng)絡(luò)模塊的權(quán)重K = Mr. ·.，#"}和隱藏節(jié)點(diǎn) 偏移量4 =丨心'…，4.,?丨，并選擇S型函數(shù)：
[0061]作為激勵(lì)函數(shù)，計(jì)算各網(wǎng)絡(luò)模塊首層的隱層特征空間Hll:
[0063]使用維度約減算法PCA對(duì)各網(wǎng)絡(luò)模塊首層產(chǎn)生的隱層特征空間約減得到H'u并把 把u傳遞給第二層。在第二層，隨機(jī)產(chǎn)生H-把u個(gè)隱層節(jié)點(diǎn)，它們的輸出與把η相結(jié)合構(gòu)成第 二層隱層特征空間Hl2，重復(fù)上述步驟，直到產(chǎn)生第L層的隱層特征空間H lL，網(wǎng)絡(luò)的隱層特征 空間出=!^。根據(jù)上述方法，分別計(jì)算各個(gè)網(wǎng)絡(luò)模塊的隱層特征空間，并將其作為相應(yīng)網(wǎng)絡(luò) 模塊的輸出。
[0064](二)再學(xué)習(xí)階段
[0065]將預(yù)學(xué)習(xí)中4個(gè)網(wǎng)絡(luò)模塊的識(shí)別結(jié)果連接，形成再學(xué)習(xí)階段的輸入向量Hinput = 1?，…，H4}，將向量Hinput輸入單隱藏層神經(jīng)網(wǎng)絡(luò)，根據(jù)傳統(tǒng)ELM算法，隨機(jī)產(chǎn)生網(wǎng)絡(luò)的輸入 權(quán)重W t和隱層節(jié)點(diǎn)偏移量b，計(jì)算網(wǎng)絡(luò)的隱藏層特征空間Ht:
[0069] 其中，0表示訓(xùn)練數(shù)據(jù)集的輸出。
[0070] 則網(wǎng)絡(luò)的輸出如下：
[0071] r0f. =. ///} (9:)
[0072] 其中，下標(biāo)t表示該變量是臨時(shí)變量。
[0073] 根據(jù)改進(jìn)的反向傳播算法，確定網(wǎng)絡(luò)的最終輸入權(quán)重W、隱藏層特征空間Η和輸出 權(quán)重β，得到危險(xiǎn)源識(shí)別結(jié)果：
[0074] Γ〇 = Ηβ (10)
[0075] 本發(fā)明的總體實(shí)施順序如圖3所示，在介紹之前，設(shè)危險(xiǎn)源狀態(tài)信息R={(ri，〇1)|i =1，2,…，n}，其中，= ^，··.，氣^，, = 1，.·"λ，危險(xiǎn)源激勵(lì)函數(shù)g(x)，標(biāo)準(zhǔn)化參數(shù) C。危險(xiǎn)源識(shí)別方法總體實(shí)施步驟如下：
[0076] 步驟1:利用SVM將危險(xiǎn)源信息R劃分到不同的領(lǐng)域分類中得到RzlChC^C^CMT， 并將不同的領(lǐng)域分類集輸入到相應(yīng)的模塊中；
[0077] 步驟2:對(duì)每個(gè)子網(wǎng)絡(luò)使用S-ELM算法：
[0078] For i = lto 4
[0079] 使用S-ELM算法得到各深層網(wǎng)絡(luò)的預(yù)識(shí)別結(jié)果出；
[0080] End For
[0081] 步驟3:將深層網(wǎng)絡(luò)預(yù)識(shí)別結(jié)果組合作為單隱藏層神經(jīng)網(wǎng)絡(luò)模塊的輸入Hinput = {Hi,…，H4};
[0082] 步驟4:根據(jù)ELM算法和激勵(lì)函數(shù)g(x)，計(jì)算單隱藏層ELM的初始隱層輸出Ht和輸出 權(quán)重Pt;
[0083] 步驟5:根據(jù)改進(jìn)的反向傳播算法，確定網(wǎng)絡(luò)的最終輸入權(quán)重W，隱藏層特征空間Η 和輸出權(quán)重β;
[0084] 步驟6:危險(xiǎn)源識(shí)別結(jié)果：
[0085] Γ〇 = Ηβ
[0086] 以上實(shí)施例僅為說明本發(fā)明的技術(shù)思想，不能以此限定本發(fā)明的保護(hù)范圍，凡是 按照本發(fā)明提出的技術(shù)思想，在技術(shù)方案基礎(chǔ)上所做的任何改動(dòng)，均落入本發(fā)明保護(hù)范圍 之內(nèi)。
【主權(quán)項(xiàng)】
1. 一種基于深層極限學(xué)習(xí)機(jī)的危險(xiǎn)源識(shí)別方法，其特征在于：該方法采用的深層神經(jīng) 網(wǎng)絡(luò)由深層結(jié)構(gòu)模塊和單隱藏層神經(jīng)網(wǎng)絡(luò)模塊兩部分組成，包括如下步驟： 步驟1，利用SVM將危險(xiǎn)源信息R劃分到不同的領(lǐng)域分類中，并將不同的領(lǐng)域分類集輸入 到相應(yīng)的網(wǎng)絡(luò)模塊中； 步驟2,對(duì)每個(gè)網(wǎng)絡(luò)模塊使用S-ELM算法，得到各深層網(wǎng)絡(luò)的預(yù)識(shí)別結(jié)果出； 步驟3:將深層網(wǎng)絡(luò)預(yù)識(shí)別結(jié)果組合作為單隱藏層神經(jīng)網(wǎng)絡(luò)模塊的輸入Hinput = {化，...，叫； 步驟4:根據(jù)ELM算法和激勵(lì)函數(shù)，計(jì)算單隱藏層ELM的初始隱層輸出Ht和輸出權(quán)重β*，下 標(biāo)t表示該變量是臨時(shí)變量； 步驟5:根據(jù)改進(jìn)的反向傳播算法，確定網(wǎng)絡(luò)的最終輸入權(quán)重W，隱藏層特征空間Η和輸 出權(quán)重β; 步驟6:危險(xiǎn)源識(shí)別結(jié)果： Γ〇 =地。2. 如權(quán)利要求1所述的一種基于深層極限學(xué)習(xí)機(jī)的危險(xiǎn)源識(shí)別方法，其特征在于:所述 步驟1中，將危險(xiǎn)源分為人員、設(shè)備、環(huán)境和管理4個(gè)領(lǐng)域，分別^打，〔2，〔3，〔4表示，則分類后 的結(jié)果是R二{Cl,C2 ,C3,C4：}T。3. 如權(quán)利要求1所述的一種基于深層極限學(xué)習(xí)機(jī)的危險(xiǎn)源識(shí)別方法，其特征在于:所述 步驟2的詳細(xì)內(nèi)容是:設(shè)各網(wǎng)絡(luò)模塊隱藏節(jié)點(diǎn)的個(gè)數(shù)為出，深層網(wǎng)絡(luò)的層數(shù)為k，根據(jù)危險(xiǎn)源 構(gòu)成要素表T，從不同數(shù)域隨機(jī)產(chǎn)生各網(wǎng)絡(luò)模塊的權(quán)重?和隱藏節(jié)點(diǎn)偏移 量{與J，... A,}，并選擇S型函數(shù)：作為激勵(lì)函數(shù)，計(jì)算各網(wǎng)絡(luò)模塊首層的隱層特征空間出1:使用維度約減算法對(duì)各網(wǎng)絡(luò)模塊首層產(chǎn)生的隱層特征空間約減得到11并把11傳遞 給第二層;在第二層，隨機(jī)產(chǎn)生H-H/11個(gè)隱層節(jié)點(diǎn)，它們的輸出與11相結(jié)合構(gòu)成第二層隱 層特征空間出2,重復(fù)上述步驟，直到產(chǎn)生第L層的隱層特征空間出L，網(wǎng)絡(luò)模塊的隱層特征空 間出二出L。4. 如權(quán)利要求1所述的一種基于深層極限學(xué)習(xí)機(jī)的危險(xiǎn)源識(shí)別方法，其特征在于:所述 步驟4中，輸出權(quán)重私的計(jì)算公式是：其中，0表示訓(xùn)練數(shù)據(jù)集的輸出。5. 如權(quán)利要求1所述的一種基于深層極限學(xué)習(xí)機(jī)的危險(xiǎn)源識(shí)別方法，其特征在于:所述 步驟5中，隱藏層特征空間Η的計(jì)算公式是：其中，b表示隱層節(jié)點(diǎn)偏移量。6.如權(quán)利要求1所述的一種基于深層極限學(xué)習(xí)機(jī)的危險(xiǎn)源識(shí)別方法，其特征在于:所述 的深層結(jié)構(gòu)模塊和單隱藏層神經(jīng)網(wǎng)絡(luò)模塊異構(gòu)。
【文檔編號(hào)】G06K9/62GK106096728SQ201610393646
【公開日】2016年11月9日
【申請(qǐng)日】2016年6月3日 公開號(hào)201610393646.X, CN 106096728 A, CN 106096728A, CN 201610393646, CN-A-106096728, CN106096728 A, CN106096728A, CN201610393646, CN201610393646.X
【發(fā)明人】周良, 李詩瑤, 謝強(qiáng), 王增臣
【申請(qǐng)人】南京航空航天大學(xué)