本文關(guān)鍵詞：自適應(yīng)混沌粒子群算法對極限學(xué)習(xí)機(jī)參數(shù)的優(yōu)化

  更多相關(guān)文章： 自適應(yīng) 極限學(xué)習(xí)機(jī) 混沌粒子群 基因分類

【摘要】：針對極限學(xué)習(xí)機(jī)(ELM)在處理非線性數(shù)據(jù)時效果不理想,并且ELM的參數(shù)隨機(jī)化不利于模型泛化的特點(diǎn),提出了一種改進(jìn)的極限學(xué)習(xí)機(jī)算法。結(jié)合自適應(yīng)混沌粒子群(ACPSO)算法對ELM的參數(shù)進(jìn)行優(yōu)化,以增強(qiáng)算法的穩(wěn)定性,提高ELM對基因表達(dá)數(shù)據(jù)分類的精度。在UCI基因數(shù)據(jù)集上進(jìn)行仿真實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明,與探測粒子群-極限學(xué)習(xí)機(jī)(DPSO-ELM)、粒子群-極限學(xué)習(xí)機(jī)(PSO-ELM)等算法相比,自適應(yīng)混沌粒子群-極限學(xué)習(xí)機(jī)(ACPSOELM)算法具有較好的穩(wěn)定性、可靠性,且能有效提高基因分類精度。
【作者單位】： 中國計量大學(xué)信息工程學(xué)院;
【關(guān)鍵詞】： 自適應(yīng) 極限學(xué)習(xí)機(jī) 混沌粒子群 基因分類
【基金】：國家自然科學(xué)基金資助項(xiàng)目(61272315) 浙江省自然科學(xué)基金資助項(xiàng)目(LY14F020041) 國家安全總局項(xiàng)目(zhejiang-00062014AQ)~~
【分類號】：TP181
【正文快照】： 0引言前饋神經(jīng)網(wǎng)絡(luò)能夠通過輸入樣本逼近復(fù)雜的非線性映射,因此在很多領(lǐng)域都有應(yīng)用,但是存在學(xué)習(xí)速度慢、容易陷入局部收斂和在不同場合其參數(shù)難以調(diào)解等復(fù)雜問題,以致其發(fā)展受限。為解決這些問題,2006年Huang[1]提出一種新型單隱層前饋神經(jīng)網(wǎng)絡(luò)——極限學(xué)習(xí)機(jī)(Extreme Learni，

本文編號：710851