技术特征：
技术总结
本发明公开了一种基于混合智能遗传粒子群的优化极限学习机轨迹预测方法。传统的神经网络算法存在训练时间较长、容易陷入局部最优解、参数选择敏感等缺点，而极限学习机（ELM）神经网络具有训练速度快、泛化能力强等优点，故选择ELM神经网络做预测。由于传统的ELM存在小数据集泛化性能较差的问题，优化极限学习机（OELM）克服了该缺点，但由于受到输入权值和隐藏层节点阈值随机赋值的影响，在预测过程中往往无法达到最优结果。故采用混合智能遗传粒子群算法（HGPSO）动态寻优找出OELM模型最佳的参数组，针对模型建立的随机性进行改进，使它只需要较少的隐藏层神经元数目就能达到较好的预测性能，提高了网络的泛化性。
技术研发人员：蒋鹏;孙浩泽;林宏泽;佘青山;许欢;林广
受保护的技术使用者：杭州电子科技大学
技术研发日：2018.12.17
技术公布日：2019.04.16