自适应混沌粒子群算法对极限学习机参数的优化

发布时间：2017-08-21 04:30

  本文关键词：自适应混沌粒子群算法对极限学习机参数的优化

  更多相关文章： 自适应 极限学习机 混沌粒子群 基因分类

【摘要】：针对极限学习机(ELM)在处理非线性数据时效果不理想,并且ELM的参数随机化不利于模型泛化的特点,提出了一种改进的极限学习机算法。结合自适应混沌粒子群(ACPSO)算法对ELM的参数进行优化,以增强算法的稳定性,提高ELM对基因表达数据分类的精度。在UCI基因数据集上进行仿真实验,实验结果表明,与探测粒子群-极限学习机(DPSO-ELM)、粒子群-极限学习机(PSO-ELM)等算法相比,自适应混沌粒子群-极限学习机(ACPSOELM)算法具有较好的稳定性、可靠性,且能有效提高基因分类精度。
【作者单位】： 中国计量大学信息工程学院;
【关键词】： 自适应 极限学习机 混沌粒子群 基因分类
【基金】：国家自然科学基金资助项目(61272315) 浙江省自然科学基金资助项目(LY14F020041) 国家安全总局项目(zhejiang-00062014AQ)~~
【分类号】：TP181
【正文快照】： 0引言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[1]提出一种新型单隐层前馈神经网络——极限学习机(Extreme Learni，

本文编号：710851