基于微粒群优化的极端学习机的应用.doc

基于微粒群优化的极端学习机的应用

1.22万字 30页 原创作品，已通过查重系统


摘要 人工神经网络（Artificial neural networks）是一种模仿动物神经网络行为特征，进行分布式并行信息处理的数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的，并具有自学习和自适应的能力。前馈神经网络是神经网络中的一种典型的分层结构，信息从输入层进入网络后逐层向前传递至输出层是现在研究比较多的一种神经网络算法
极端学习机（Extreme Learning Machine）是一种简单易用、有效的单隐层前馈神经网络学习算法。传统的神经网络学习算法（如BP算法）需要人为设置大量的网络训练参数，并且很容易产生局部最优解。极限学习机只需要设置网络的隐层节点个数，在算法执行过程中不需要调整网络的输入权值以及隐层偏置，并且产生唯一的最优解，因此具有学习速度快且泛化性能好的优点。也正是因为输入权值和隐层偏置的随机产生，ELM算法有时收敛比较慢且需要更多的隐层节点数。
粒子群（Particle Swarm Optimization）算法作为一种进化计算，因其算法简单，易于实现等优点以及在连续优化问题和离散优化问题中都表现出良好的效果。本文通过将PSO与ELM结合，可以有效的用来训练前馈神经网络。基于微粒群算法改进的极端学习机（PSO-ELM）用PSO算法优化选择ELM中随机产生的输入层权值和隐含层偏差，从而得到一个更优的算法。并将改进的算法应用于数据的回归和分类，验证了算法的有效性。


关键词：人工智能 前馈神经网络 粒子群优化 极端学习机