基于微粒群优化的集成极端学习机的研究及应用.doc
![](http://www.queshao.com/template/default/images/docicon2.gif)
![](http://www.queshao.com/template/default/images/docicon3.gif)
约40页DOC格式手机打开展开
基于微粒群优化的集成极端学习机的研究及应用,摘 要2004 年,huang等人提出了一类性能优良的单隐层前向神经网络(slfns)学习算法,称为极端学习机(elm)。与一般的bp神经网络、rbf神经网络相比,elm具有较好的泛化性能、简单易实现和学习速度快的优点。同时,单个的elm 在解决复杂的分类问题上效果并不理想。为...
![](http://img.queshao.com/images/pcgzh.gif)
![](http://preview.queshao.com/tobuy/1471053.gif)
内容介绍
此文档由会员 那年三月 发布
基于微粒群优化的集成极端学习机的研究及应用
摘 要
2004 年,Huang等人提出了一类性能优良的单隐层前向神经网络(SLFNs)学习算法,称为极端学习机(ELM)。与一般的BP神经网络、RBF神经网络相比,ELM具有较好的泛化性能、简单易实现和学习速度快的优点。同时,单个的ELM 在解决复杂的分类问题上效果并不理想。为了改善这些不足,研究者们将多个极端学习机集成起来,克服了单个ELM很难在复杂的分类问题上取得良好分类效果这一缺陷。在这个集成系统中,能够充分发挥单个极端学习机之间的互补性,从而改善了单个极端学习机在分类问题上的泛化性能和鲁棒性。
微粒群算法(PSO)具有容易理解和实现,并且计算量小、对适应值函数要求宽泛以及全局搜索能力强等优点。目前PSO算法已得到了广泛的应用。本文将PSO应用于优化集成极端学习机,该方法能够有效提高集成分类器的准确率。本文的主要工作如下:
1. 利用PSO优化的集成极端学习机。准确率高的集成分类器在稳定性能和泛化性能上优越于传统的单一分类器