發(fā)布時(shí)間：2020-12-26 07:18

　　演化算法與分析方法的結(jié)合是機(jī)器學(xué)習(xí)領(lǐng)域近幾年的一個(gè)研究熱點(diǎn)�；诔迣W(xué)習(xí)機(jī)（Extreme learning machine,ELM）的半監(jiān)督分類算法在室內(nèi)定位等領(lǐng)域有廣泛的應(yīng)用。本文研究差分進(jìn)化演化算法與基于ELM的半監(jiān)督分類方法的結(jié)合。該問題的研究剛剛起步,已報(bào)道的相關(guān)工作很少�，F(xiàn)有方法分類準(zhǔn)確率尚不夠高,不能完全滿足市場決策的需求。針對上述問題,本文提出了一種基于差分進(jìn)化（Differential evolution,DE）和超限學(xué)習(xí)機(jī)的半監(jiān)督分類算法（Semi-supervised classification based on DE and ELM,DE-ELM-SSC）。與最新Tri-DE-ELM（Modified ELM algorithm based on cooperative training and differential evolution）方法相比,DE-ELM-SSC根據(jù)訓(xùn)練數(shù)據(jù)集進(jìn)行了差分進(jìn)化策略的選擇,其主要步驟包括:（1）根據(jù)均方根誤差從3種典型的差分進(jìn)化策略中選出一個(gè)適合目標(biāo)數(shù)據(jù)集的最優(yōu)進(jìn)化策略;（2）將該最優(yōu)進(jìn)化策略應(yīng)用于DE算法;（3）基于使用... 

【文章來源】：武漢科技大學(xué)湖北省

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【部分圖文】：

隱含層神經(jīng)元數(shù)量變化時(shí)Tri-DE-ELM的準(zhǔn)確率

武漢科技大學(xué)碩士學(xué)位論文38圖5.1隱含層神經(jīng)元數(shù)量變化時(shí)Tri-DE-ELM的準(zhǔn)確率圖5.2隱含層神經(jīng)元數(shù)量變化時(shí)DE-ELM-SSC的準(zhǔn)確率圖5.3隱含層神經(jīng)元數(shù)量變化時(shí)DE-ELM-SSC+的準(zhǔn)確率

武漢科技大學(xué)碩士學(xué)位論文38圖5.1隱含層神經(jīng)元數(shù)量變化時(shí)Tri-DE-ELM的準(zhǔn)確率圖5.2隱含層神經(jīng)元數(shù)量變化時(shí)DE-ELM-SSC的準(zhǔn)確率圖5.3隱含層神經(jīng)元數(shù)量變化時(shí)DE-ELM-SSC+的準(zhǔn)確率


本文編號：2939276