基于元启发优化极限学习机的分类算法及其应用研究

分类问题是模式识别、数据挖掘和机器学习领域中最重要的研究内容之一，在现实世界有着广泛的应用。人工神经网络由于自身良好的特性，能通过自主学习从数据中获取知识信息，为分类问题提供了有效的解决途径。但是传统基于梯度下降的网络模型、支持向量网络存在训练时间过长，收敛速度过慢，易过拟合等不足，对于实际复杂分类问题，直接利用传统的分类学习方法难以得到理想的结果，如何设计出高效且泛化能力强的分类模型，是目前仍未很好解决的问题。本论文的研究工作主要围绕基于极限学习机方法设计具有良好泛化能力和分类性能的算法和模型，并用于解决医疗诊断和风险评估领域中的分类决策问题。分别提出了结合人工蜂群算法和极限学习机的优化分类算法、基于自适应人工蜂群算法智能优化多核极限学习机的分类算法、集成局部Fisher判别分析特征提取机制和进化核极限学习机方法的甲状腺疾病诊断模型、集成优化减聚类加权算法和核极限学习机的帕金森疾病诊断混合模型、基于改进引力搜索算法框架优化核极限学习机的分类方法以及信用风险评估模型。在知名UCI公共分类数据集上的实验结果表明，本论文中所提出的这些分类方法均获得良好的分类性能，其效果在很大程度上显著优于已有方法和相似算法，达到了预期的效果和目的。