-
题名一种黄金分割优化的极限学习机算法
被引量：5
- 1
-
-
作者
金培源
高波涌
陆慧娟
-
机构
中国计量学院信息工程学院
-
出处
《中国计量学院学报》
2014年第2期209-212,共4页
-
基金
国家自然科学基金资助项目(No.61272315
60842009)
浙江省自然科学基金资助项目(No.Y1110342)
-
文摘
针对极限学习机(ELM)存在大量隐层神经元个数和随机给定权值导致算法性能不稳定等问题,将黄金分割法(Golden Section)与ELM相结合提出了基于黄金分割优化的极限学习机算法(GS-ELM).首先通过黄金分割法对ELM隐含层节点数进行优化,接着再用该方法对ELM输入层权值和隐含层偏差进行优化.实验结果表明,相比较传统的BP神经网络,支持向量机和极限学习机,GS-ELM算法能获得较高的分类精度.
-
关键词
黄金分割法
极限学习机
隐含层节点
输入层权值
隐含层偏差
-
Keywords
golden section algorithm
extreme learning machine
hidden neuron
input layer weight
bias of hidden layer
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名一种粒子群RELM的基因表达数据分类方法
被引量：2
- 2
-
-
作者
王石磊
陆慧娟
关伟
余翠
-
机构
中国计量学院信息工程学院
中国计量学院现代科技学院
-
出处
《中国计量学院学报》
2015年第2期221-226,共6页
-
基金
国家自然科学基金资助项目(No.61272315
60842009)
+1 种基金
浙江省自然科学基金资助项目(No.Y1110342
Y1080950)
-
文摘
正则极限学习机(regularized extreme learning machine,RELM)具有比极限学习机(extreme learning machine,ELM)更好的泛化能力.然而RELM的输入层权值、隐含层偏差是随机给定的,会影响RELM的稳定性.另外,RELM为了获得较理想的分类精度,仍需设置较多的隐层节点.针对此问题,通过分析粒子群优化算法(particle swarm optimization,PSO)的原理,把RELM初始产生的输入层权值、隐含层偏差作为粒子带入PSO进行寻优.通过在Breast和Brain数据集上进行多次10折交叉验证表明,粒子群改进正则极限学习机(PSO-RELM)可以在隐层节点设置较少时获得比BP神经网络(back propagation,BP)、支持向量机(support vector machine,SVM)、RELM更好的分类精度和更佳的稳定性.
-
关键词
正则极限学习机
输入层权值
隐含层偏差
粒子群
-
Keywords
regularized extreme learning machine
input layer weights
hidden layer bias
particle swarm
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
