針對核極限學(xué)習(xí)機參數(shù)優(yōu)化困難的問題,提出一種基于網(wǎng)格搜索柔性多面體的最優(yōu)化核極限學(xué)習(xí)機算法。為高斯核變量和懲罰變量構(gòu)造二維網(wǎng)格,從網(wǎng)格中選取最小目標(biāo)函數(shù)值所對應(yīng)的參數(shù)點構(gòu)造初始柔性多面體,解決柔性多面體對初始值敏感的問題;給柔性多面體的變形搜索參數(shù)添加權(quán)重值,區(qū)分核參數(shù)和懲罰參數(shù)對核極限學(xué)習(xí)機分類性能影響程度;通過迭代柔性多面體實現(xiàn)核極限學(xué)習(xí)參數(shù)的最優(yōu)化搜索,用所獲最優(yōu)參數(shù)構(gòu)造核極限學(xué)習(xí)機并用于數(shù)據(jù)分類。在UCI、KEEL和人工數(shù)據(jù)集上與其它優(yōu)化核極限學(xué)習(xí)機算法進行計算結(jié)果比較,驗證所提算法的可行性。

【文章頁數(shù)】：6 頁

【部分圖文】：

圖1 核參數(shù)與懲罰參數(shù)在KELM上的影響

式中:N為訓(xùn)練樣本總數(shù),Perror(σi,Cj)表示在核參數(shù)為σi以及懲罰參數(shù)為Cj時錯誤分類的樣本數(shù)。令允許的訓(xùn)練誤差為TolFun,默認(rèn)值設(shè)定為0.01。選取二維網(wǎng)格中滿足F(σi,Cj)>TolFun條件的網(wǎng)格點組合成參數(shù)集合G(σi,Cj,F(σi,Cj))。然....

圖2 網(wǎng)格搜索優(yōu)化柔性多面體法收斂迭代次數(shù)對比

表3與GA-KELM、PSO-KELM和GS-KELM之間的對比:分類精度與標(biāo)準(zhǔn)偏差數(shù)據(jù)集名GSFP-KELMGA-KELMPSO-KELMKS-KELM(σ,C)準(zhǔn)確率/%(σ,C)準(zhǔn)確率/%(σ,C)準(zhǔn)確率/%σ準(zhǔn)確率/%climate(1,2....

圖3 網(wǎng)格搜索優(yōu)化柔性多面體法評估次數(shù)對比

圖2網(wǎng)格搜索優(yōu)化柔性多面體法收斂迭代次數(shù)對比表4是本文算法與近幾年出現(xiàn)的一些極限學(xué)習(xí)機算法的分類精度比較,分別是基于文化基因算法的極限學(xué)習(xí)機(M-ELM)[15]、實例克隆極限學(xué)習(xí)機(IC-ELM)[16]、基于多目標(biāo)優(yōu)化的稀疏極限學(xué)習(xí)機算法(MO-SELM)[17]。相關(guān)比較....

本文編號：4025968