自适应混沌粒子群算法对极限学习机参数的优化

被引：19

作者：

陈晓青

陆慧娟

郑文斌

严珂

机构：

[1] 中国计量大学信息工程学院

来源：

计算机应用 | 2016年 / 36卷 / 11期

基金：

浙江省自然科学基金;

关键词：

自适应; 极限学习机; 混沌粒子群; 基因分类;

D O I：

暂无

中图分类号：

TP181 [自动推理、机器学习];

学科分类号：

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。

引用

页码：3123 / 3126

页数：4

共 12 条

[1] 多目标自适应混沌粒子群优化算法
杨景明
马明明
车海军
徐德树
郭秋辰
[J]. 控制与决策, 2015, 30 (12) : 2168 - 2174
[2] 基于输出不一致测度的极限学习机集成的基因表达数据分类
陆慧娟
安春霖
马小平
郑恩辉
杨小兵
[J]. 计算机学报, 2013, 36 (02) : 341 - 348
[3] 基于新变异算子的改进粒子群优化算法
张云明
[J]. 计算机工程与科学, 2011, 33 (09) : 95 - 99
[4] 癌症识别中一种基于组合GCM和CCM的分类算法
卢新国
林亚平
骆嘉伟
李丹
[J]. 软件学报, 2010, 21 (11) : 2838 - 2851
[5] 基于Tent混沌序列的粒子群优化算法
田东平
[J]. 计算机工程, 2010, 36 (04) : 180 - 182+186
[6] 基于小波理论与LSSVM的模拟集成电路故障诊断方法[D]. 刘丽霞.西安电子科技大学. 2011
[7] 基于混合递阶差分进化算法的RBF神经网络优化及应用[D]. 张志华.华南理工大学. 2013
[8] 基于粒子群优化算法的模糊聚类分析及其应用[D]. 施美珍.华南理工大学. 2012
[9] 微粒群优化算法的改进研究与应用[D]. 刘斌.西南交通大学. 2009
[10] A comparative study of artificial neural network, adaptive neuro fuzzy inference system and support vector machine for forecasting river flow in the semiarid mountain region[J] . Zhibin He,Xiaohu Wen,Hu Liu,Jun Du.Journal of Hydrology . 2014

← 1 2 →