一种基于深层极限学习机的危险源识别方法技术

本发明专利技术公开一种基于深层极限学习机的危险源识别方法，该方法采用的深层神经网络由深层结构模块和单隐藏层神经网络模块两部分组成，包括如下步骤：利用SVM将危险源信息划分到不同的领域分类中，并将不同的领域分类集输入到相应的网络模块中；对每个网络模块使用S‑ELM算法，得到各深层网络的预识别结果；将深层网络预识别结果组合作为顶层神经网络的输入；根据ELM算法和激励函数，计算单隐藏层ELM的初始隐层输出和输出权重；根据改进的反向传播算法，确定网络的最终输入权重，隐藏层特征空间和输出权重；最终得到危险源识别结果。此种识别方法可提高危险源识别的灵活性，减少经验数据的急剧膨胀，提高对经验知识的利用率，缓解高维数据训练时的内存压力。

【技术实现步骤摘要】

本专利技术属于信息感知与识别
，特别涉及一种基于深层极限学习机的危险源识别方法。
技术介绍
随着民航事业的迅猛发展，空中交通安全管理压力骤增。快速准确地发现空管系统中的危险源，并准确地对危险源进行控制，对提高空管安全有着重要的作用。现阶段危险源识别技术大体分为3种类型。第一种是人工分析法，这种方式主要依靠经验知识，结合航空局提供的相关分析方法进行分析，但是不能将人力解放出来去解决更加复杂的问题。第二种方法是计算机辅助法，通过计算机构建系统模型辅助人工分析或实现相关方法的分析过程，这样减少了人力的消耗，但是不能充分利用现有的经验知识。第三种方法是以专家系统为代表的智能化危险源识别方法，目前该方法的核心技术主要是基于案例推理的方法，该方法可以有效利用经验知识，但存在经验数据库膨胀和灵活性差的问题。为此，在现代民航空中交通管理中需要一种危险源识别方法能够充分利用经验知识并且灵活准确。
技术实现思路
本专利技术的目的，在于提供一种基于深层极限学习机的危险源识别方法，其可提高危险源识别的灵活性，减少经验数据的急剧膨胀，提高对经验知识的利用率，缓解高维数据训练时的内存压力。为了达成上述目的，本文档来自技高网...

【技术保护点】
一种基于深层极限学习机的危险源识别方法，其特征在于：该方法采用的深层神经网络由深层结构模块和单隐藏层神经网络模块两部分组成，包括如下步骤：步骤1，利用SVM将危险源信息R划分到不同的领域分类中，并将不同的领域分类集输入到相应的网络模块中；步骤2，对每个网络模块使用S‑ELM算法，得到各深层网络的预识别结果Hi；步骤3：将深层网络预识别结果组合作为单隐藏层神经网络模块的输入Hinput＝{H1,...,H4}；步骤4：根据ELM算法和激励函数，计算单隐藏层ELM的初始隐层输出Ht和输出权重βt，下标t表示该变量是临时变量；步骤5：根据改进的反向传播算法，确定网络的最终输入权重W，隐藏层特征空间H...

【技术特征摘要】
1.一种基于深层极限学习机的危险源识别方法，其特征在于：该方法采用的深层神经网络由深层结构模块和单隐藏层神经网络模块两部分组成，包括如下步骤：步骤1，利用SVM将危险源信息R划分到不同的领域分类中，并将不同...

【专利技术属性】
技术研发人员：周良，李诗瑶，谢强，王增臣，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32