您好,欢迎来电子发烧友网! ,新用户?[免费注册]

您的位置:电子发烧友网>源码下载>数值算法/人工智能>

一种改进的极限学习机算法

大小:0.58 MB 人气: 2017-12-09 需要积分:1

  前馈神经网络能够通过输入样本逼近复杂的非线性映射,因此在很多领域都有应用,但是存在学习速度慢、容易陷入局部收敛和在不同场合其参数难以调解等复杂问题,以致其发展受限。为解决这些问题,2006年Huang提出一种新型单隐层前馈神经网络——极限学习机( Extreme Leaming Machine.ELM),通过核函数将数据从低维空间映射到高维空间中,处理非线性数据,但是参数随机产生使结果存在一定的随机性,因此容易产生较差的分类效果。1995年James Kennedy和Russel Eberhart提出粒子群(Particle Swarm Optimization,PSO)算法,该方法是基于群体演化的随机全局优化的一种智能优化算法,其中心思想是对鸟群或鱼群合作捕食行为的研究。在优化复杂函数时,PSO算法的搜索精度不能达到要求,且易陷入局部最优的状况,到搜索后期经常会出现震荡情况。2009年,Lei等M1提出了基于混沌序列的粒子群优化算法,通过引入混沌序列增强了算法的全局搜索能力。2012年,Han等。5 0提出了用PSO算法对ELM进行优化,通过优化ELM的输入层权值及隐藏层偏差,得到一伞最优的网络。2015年,Yang等提出基于Tent混沌序列的PSO算法,在增强全局搜索能力的基础上有效地避免了算法的盲目性,提高了算法收敛速度。

  本文通过分析ELM的缺点,提出一种新的自适应混沌粒子群一极限学习机(Adaptive Chaotic Particle Swarm Optimization-Extreme Leaming Machine,ACPSO-ELM)分类器。在该算法中,首先通过ELM对给定的数据进行初始化,产生一组输入权值和隐藏层偏置,再通过ACPSO算法寻找最优输入权值和隐藏层偏置,最后将得到的结果代入ELM中训练。

非常好我支持^.^

(0) 0%

不好我反对

(0) 0%

      发表评论

      用户评论
      评价:好评中评差评

      发表评论,获取积分! 请遵守相关规定!