一種改進的極限學習機算法
前饋神經(jīng)網(wǎng)絡(luò)能夠通過輸入樣本逼近復雜的非線性映射,因此在很多領(lǐng)域都有應(yīng)用,但是存在學習速度慢、容易陷入局部收斂和在不同場合其參數(shù)難以調(diào)解等復雜問題,以致其發(fā)展受限。為解決這些問題,2006年Huang提出一種新型單隱層前饋神經(jīng)網(wǎng)絡(luò)——極限學習機( Extreme Leaming Machine.ELM),通過核函數(shù)將數(shù)據(jù)從低維空間映射到高維空間中,處理非線性數(shù)據(jù),但是參數(shù)隨機產(chǎn)生使結(jié)果存在一定的隨機性,因此容易產(chǎn)生較差的分類效果。1995年James Kennedy和Russel Eberhart提出粒子群(Particle Swarm Optimization,PSO)算法,該方法是基于群體演化的隨機全局優(yōu)化的一種智能優(yōu)化算法,其中心思想是對鳥群或魚群合作捕食行為的研究。在優(yōu)化復雜函數(shù)時,PSO算法的搜索精度不能達到要求,且易陷入局部最優(yōu)的狀況,到搜索后期經(jīng)常會出現(xiàn)震蕩情況。2009年,Lei等M1提出了基于混沌序列的粒子群優(yōu)化算法,通過引入混沌序列增強了算法的全局搜索能力。2012年,Han等。5 0提出了用PSO算法對ELM進行優(yōu)化,通過優(yōu)化ELM的輸入層權(quán)值及隱藏層偏差,得到一傘最優(yōu)的網(wǎng)絡(luò)。2015年,Yang等提出基于Tent混沌序列的PSO算法,在增強全局搜索能力的基礎(chǔ)上有效地避免了算法的盲目性,提高了算法收斂速度。
本文通過分析ELM的缺點,提出一種新的自適應(yīng)混沌粒子群一極限學習機(Adaptive Chaotic Particle Swarm Optimization-Extreme Leaming Machine,ACPSO-ELM)分類器。在該算法中,首先通過ELM對給定的數(shù)據(jù)進行初始化,產(chǎn)生一組輸入權(quán)值和隱藏層偏置,再通過ACPSO算法尋找最優(yōu)輸入權(quán)值和隱藏層偏置,最后將得到的結(jié)果代入ELM中訓練。
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%
下載地址
一種改進的極限學習機算法下載
相關(guān)電子資料下載
- 紫光展銳UNISOC S8000用科技助力步步高學習機S8智慧教育 1472
- 小度發(fā)布首款百度文心大模型學習機 394
- 全球首款基于文心大模型的學習機—小度學習機Z30重磅發(fā)布 416
- 天翼終端發(fā)布AI+終端新品:云平板、AI學習機和FTTR-B等 282
- 高光譜成像系統(tǒng):深度學習機載高光譜影像樹種分類研究 762
- AI大模型落地學習機,大模型應(yīng)用成學習機創(chuàng)新方向 3379
- TCL"未來紙"顯示技術(shù)助力松鼠Ai S20智能學習機,全球首個智適應(yīng)教 341
- 大牛談如何學習機器視覺? 211
- 【直播預(yù)告】基于RT-Thread & LVGL RA6M3 HMI-Board兒童益智學習機 353
- 學習臺燈|AI攝像頭學習機_支持視頻通話方案 492