基于粒子群优化的极端学习机的研究及其应用.doc


约44页DOC格式手机打开展开
基于粒子群优化的极端学习机的研究及其应用,摘 要 huang 等人在2004 年提出了一种新型的前馈神经网络的学习算法,即极限学习机( elm) 。在elm 中,输入权值和隐含层偏差被随机初始化给定,输出权值矩阵利用广义逆( mp) 计算得到。相比传统前馈神经网络学习算法,elm学习速度更快、精度更高、参数调整简单由于随...


内容介绍
此文档由会员 那年三月 发布
基于粒子群优化的极端学习机的研究及其应用
摘 要 Huang 等人在2004 年提出了一种新型的前馈神经网络的学习算法,即极限学习机( ELM) 。在ELM 中,输入权值和隐含层偏差被随机初始化给定,输出权值矩阵利用广义逆( MP) 计算得到。相比传统前馈神经网络学习算法,ELM学习速度更快、精度更高、参数调整简单由于随机给定输入权值和偏差,ELM 通常需要较多隐含层节点才能达到理想精度。
本课题通过利用微粒群优化算法(PSO)对神经网络输入层权值和隐层阈值、隐节点数目进行优选来达到降低隐节点数目降低隐层输出矩阵条件数的目的,从而提高ELM的收敛性能。相比于ELM 算法和传统神经网络算法,粒子群极限学习机算法依靠较少的隐含层节点能够获得较高精度。