基于改进的黑翅鸢优化极限学习机的色差分类
摘要
针对目前人工色差分类效率低的问题，提出一种基于多策略改进的黑翅鸢优化极限学习机（MBKA-ELM）染色织物色差分类模型。首先，考虑到极限学习机算法随机初始化的隐藏层权重和偏置会导致模型训练不均匀和算法不稳定，利用黑翅鸢优化算法对这两个关键参数进行寻优。其次，引入镜面反向学习、黑翅鸢绕道觅食、纵横交叉策略提升黑翅鸢优化算法的收敛速度和全局寻优能力。最后，构建MBKA-ELM模型进行布料色差等级分类，其准确率可达98.8%，验证了采用该模型代替色差计算公式进行色差检测的可行性。对比实验表明，MBKA-ELM模型经过10次迭代便开始趋于稳定，且比同类型模型具有更高的分类精度，与传统极限学习机、黑翅鸢优化极限学习机模型（BKA-ELM）、斑翠鸟优化极限学习机模型（PKO-KELM）、冠豪猪优化极限学习机模型（CPO-ELM）、美洲狮优化极限学习机模型（PUMA-ELM）和蛇优化极限学习机模型（SO-ELM）相比，分类精度分别提升13%、3.4%、1.4%、5%、4.2%和3%。所提色差分类模型具有更好的收敛速度和分类精度。
引用本文（GB/T 7714）
陈家乐 Chen Jiale, 李晓斌 Li Xiaobin, 孙海燕 Sun Haiyan. 基于改进的黑翅鸢优化极限学习机的色差分类[J]. Laser & Optoelectronics Progress, 2025.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。