WIPO logo
Mobile | Deutsch | Español | Français | 日本語 | 한국어 | Português | Русский | 中文 | العربية |
PATENTSCOPE

Search International and National Patent Collections
World Intellectual Property Organization
Options
Query Language
Stem
Sort by:
List Length
Some content of this application is unavailable at the moment.
If this situation persist, please contact us atFeedback&Contact
1. (WO2017197626) EXTREME LEARNING MACHINE METHOD FOR IMPROVING ARTIFICIAL BEE COLONY OPTIMIZATION
Latest bibliographic data on file with the International Bureau   

Pub. No.: WO/2017/197626 International Application No.: PCT/CN2016/082668
Publication Date: 23.11.2017 International Filing Date: 19.05.2016
IPC:
G06N 3/00 (2006.01) ,G06N 99/00 (2010.01)
G PHYSICS
06
COMPUTING; CALCULATING; COUNTING
N
COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
3
Computer systems based on biological models
G PHYSICS
06
COMPUTING; CALCULATING; COUNTING
N
COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
99
Subject matter not provided for in other groups of this subclass
Applicants: JIANGNAN UNIVERSITY[CN/CN]; MAO, Li No.1800 Lihu Avenue, Binhu District Wuxi, Jiangsu 214122, CN
Inventors: MAO, Li; CN
MAO, Yu; CN
XIAO, Yongsong; CN
Agent: WUXI HUAYUAN PATENT AND TRADEMARK AGENCY (GENERAL PARTNERSHIP); NIE, Qixin Room 1108, Metro Building, No. 228, Qingyang Road, Liangxi District Wuxi, Jiangsu 214023, CN
Priority Data:
Title (EN) EXTREME LEARNING MACHINE METHOD FOR IMPROVING ARTIFICIAL BEE COLONY OPTIMIZATION
(FR) PROCÉDÉ DE MACHINE D'APPRENTISSAGE EXTRÊME PERMETTANT D'AMÉLIORER L'OPTIMISATION DE COLONIE D'ABEILLES ARTIFICIELLES
(ZH) 改进人工蜂群优化的极限学习机方法
Abstract:
(EN) An extreme learning machine method for improving artificial bee colony optimization. The method comprises the following steps: step 1, generating initial solutions for SN entities; step 2, performing global optimization with respect to a connection weight ɷ and a threshold b of the extreme learning machine; step 3, performing local optimization with respect to the connection weight ɷ and the threshold b of the extreme learning machine; step 4, if food source information is not updated within a fixed duration, converting an employee bee into an investigation bee and returning to step 1 to re-initialize the entity; and step 5, extracting the connection weight ɷ and the threshold b of the extreme learning machine from an optimal entity and using a test set to perform verification. The method can be used to better overcome poor results experienced when traditional extreme learning machines are applied to classification and regression. In comparison to traditional extreme learning machines and the SaE-ELM algorithm, the method is more robust and can effectively improve the results of classification and regression.
(FR) L'invention concerne un procédé de machine d'apprentissage extrême permettant d'améliorer l'optimisation de colonie d'abeilles artificielles. Le procédé comprend les étapes suivantes : étape 1, produire des solutions initiales pour SN entités; étape 2, effectuer une optimisation globale par rapport à une pondération de connexion ɷ et à un seuil b de la machine d'apprentissage extrême; étape 3, effectuer une optimisation locale par rapport à la pondération de connexion ɷ et au seuil b de la machine d'apprentissage extrême; étape 4, si des informations de source de nourriture ne sont pas mises à jour avant l'écoulement d'une durée donnée, convertir une abeille employée en une abeille d'investigation et retourner à l'étape 1 pour réinitialiser l'entité; et étape 5, extraire la pondération de connexion ɷ et le seuil b de la machine d'apprentissage extrême à partir d'une entité optimale et utiliser un ensemble de test pour effectuer une vérification. Le procédé peut être utilisé pour mieux surmonter des mauvais résultats obtenus lorsque des machines d'apprentissage extrême classiques sont utilisées pour la classification et la régression. Par rapport aux machines d'apprentissage extrême classiques et à l'algorithme SaE-ELM, le procédé est plus robuste et peut améliorer efficacement les résultats de classification et de régression.
(ZH) 一种改进人工蜂群优化的极限学习机的方法,包括以下步骤:步骤1、对SN个个体产生初始解;步骤2、对极限学习机的连接权值ω和阈值b进行全局寻优;步骤3、对极限学习机连接权值ω和阈值b进行局部寻优;步骤4、如果食物源信息在一定时间内没有更新,则将雇佣蜂转换为侦查蜂,回到步骤1重新初始化此个体;步骤5、从最优个体中提取出的极限学习机连接权值ω和阈值b,并使用测试集进行验证。该方法较好地克服了传统极限学习机应用于分类和回归时结果较差的缺点,相对于传统极限学习机和SaE-ELM算法,具有较强的鲁棒性,有效地提高了分类和回归的结果。
front page image
Designated States: AE, AG, AL, AM, AO, AT, AU, AZ, BA, BB, BG, BH, BN, BR, BW, BY, BZ, CA, CH, CL, CN, CO, CR, CU, CZ, DE, DK, DM, DO, DZ, EC, EE, EG, ES, FI, GB, GD, GE, GH, GM, GT, HN, HR, HU, ID, IL, IN, IR, IS, JP, KE, KG, KN, KP, KR, KZ, LA, LC, LK, LR, LS, LU, LY, MA, MD, ME, MG, MK, MN, MW, MX, MY, MZ, NA, NG, NI, NO, NZ, OM, PA, PE, PG, PH, PL, PT, QA, RO, RS, RU, RW, SA, SC, SD, SE, SG, SK, SL, SM, ST, SV, SY, TH, TJ, TM, TN, TR, TT, TZ, UA, UG, US, UZ, VC, VN, ZA, ZM, ZW
African Regional Intellectual Property Organization (ARIPO) (BW, GH, GM, KE, LR, LS, MW, MZ, NA, RW, SD, SL, ST, SZ, TZ, UG, ZM, ZW)
Eurasian Patent Office (AM, AZ, BY, KG, KZ, RU, TJ, TM)
European Patent Office (EPO) (AL, AT, BE, BG, CH, CY, CZ, DE, DK, EE, ES, FI, FR, GB, GR, HR, HU, IE, IS, IT, LT, LU, LV, MC, MK, MT, NL, NO, PL, PT, RO, RS, SE, SI, SK, SM, TR)
African Intellectual Property Organization (BF, BJ, CF, CG, CI, CM, GA, GN, GQ, GW, KM, ML, MR, NE, SN, TD, TG)
Publication Language: Chinese (ZH)
Filing Language: Chinese (ZH)