基于多层学习克隆选择的改进式增量型超限学习机算法

发布时间：2017-11-27 14:28

  本文关键词：基于多层学习克隆选择的改进式增量型超限学习机算法

  更多相关文章： 克隆选择算法 鲍德温学习 拉马克学习 神经网络 增量型超限学习机 软计算

【摘要】：针对增量型超限学习机(incremental extreme learning machine,I-ELM)中大量冗余节点可导致算法学习效率降低,网络结构复杂化等问题,提出基于多层学习(multi-learning)优化克隆选择算法(clone selection algorithm,CSA)的改进式I-ELM.利用Baldwinian learning操作改变抗体信息的搜索范围,结合Lamarckian learning操作提高CSA的搜索能力.改进后的算法能够有效控制I-ELM的隐含层节点数,使网络结构更加紧凑,提高算法精度.仿真结果表明,所提出的基于多层学习克隆选择的增量型核超限学习机(multi-learning clonal selection I-ELMK,MLCSIELMK)算法能够有效简化网络结构,并保持较好的泛化能力,较强的学习能力和在线预测能力.
【作者单位】： 东北大学信息科学与工程学院;沈阳工业大学电气工程学院;
【基金】：国家自然科学基金项目(61102124) 辽宁省科学技术计划项目(JH2/101)资助~~
【分类号】：TP18
【正文快照】： 1引言(Introduction) 法自适应地选择网络的隐含层节点数量,在每次迭代超限学习机(extreme learning machine,ELM)算 过程中产生1)个隐含层节点,并更新1输出权值.法,是新近发展起来的一种高效的神经网络学习方 然而,I-ELM算法容易产生冗余的隐含层结点,不但法[1].该算法克服

【相似文献】

中国期刊全文数据库 前10条

1 徐勇;张广辉;钱锋;;新克隆选择法在动力学参数估计中的应用[J];计算机与应用化学;2008年10期

2 罗印升,李人厚,张维玺;一种基于克隆选择的聚类算法[J];控制与决策;2005年11期

3 洪露;穆志纯;;一种新的克隆选择调节算法[J];信息与控制;2007年04期

4 田锡宇;王友仁;崔江;;基于克隆选择和聚类的模拟电路故障诊断技术[J];传感器与微系统;2009年04期

5 陈思;张卫杰;杨健;宋小全;;基于克隆选择的雷达抗同型干扰工作序列设计[J];电波科学学报;2011年03期

6 李莉;李洪奇;谢绍龙;李雄炎;;基于克隆选择的免疫粒子群优化算法[J];计算机科学;2008年10期

7 陶新民;刘福荣;刘玉;付丹丹;;定向多尺度变异克隆选择优化算法[J];控制与决策;2011年02期

8 陈乃建;张进华;王孙安;艾长胜;;基于克隆选择的小世界优化算法[J];中南大学学报(自然科学版);2012年08期

9 胡荣华;楼佩煌;唐敦兵;赵鹏;;基于克隆选择和邻域搜索的改进阴性选择算法[J];中国机械工程;2011年09期

10 夏林丽;张著洪;;多模式项目资源配置及其免疫优化决策[J];贵州大学学报(自然科学版);2010年04期

中国重要会议论文全文数据库 前2条

1 胡选子;谢存禧;;基于克隆选择的移动机器人路径规划[A];2009年全国开放式分布与并行计算机学术会议论文集(上册)[C];2009年

2 冯艳华;钟诚;谭运宝;闫铁;赵艳;;动态克隆选择的成熟检测器进化算法[A];2007年全国开放式分布与并行计算机学术会议论文集(下册)[C];2007年

中国博士学位论文全文数据库 前1条

1 胡江强;基于克隆选择优化的船舶航向自适应控制[D];大连海事大学;2008年

中国硕士学位论文全文数据库 前4条

1 秦丽;一类组合膜计算与免疫机制的聚类算法[D];西华大学;2015年

2 杨秋实;改进的克隆选择优化算法及其应用研究[D];长沙理工大学;2008年

3 宁合军;基于点对称距离的聚类算法及其应用[D];西安电子科技大学;2010年

4 桑志祥;融合克隆选择的AEA算法及其在约束优化问题中的应用[D];华东理工大学;2013年

，

本文编号：1232172