基于成員分類器選擇優(yōu)化的集成極端學(xué)習(xí)機(jī)的研究.pdf

1、極端學(xué)習(xí)機(jī)（ELM：Extreme Learning Machine）因其良好的性能得到廣泛的應(yīng)用，且集成ELM相比于單個(gè)ELM在收斂性和泛化性能上取得更好的效果。然而ELM因隨機(jī)初始化輸入權(quán)值和偏置導(dǎo)致算法的穩(wěn)定性偏低，從而直接影響到集成ELM中基分類器之間的差異度和準(zhǔn)確率。因此，本文在初始ELM庫(kù)中利用K均值算法（K-means）和錦標(biāo)賽選擇算子（Tournament Selection）對(duì)成員ELM進(jìn)行分類和選擇。并進(jìn)一步將選擇出

2、的ELM集群劃分為兩個(gè)群體，根據(jù)群體的不同收斂特性利用多樣性自適應(yīng)控制的吸引排斥微粒群算法（ARPSO：Attractive and Repulsive PSO）分別對(duì)其進(jìn)行優(yōu)化，取得較優(yōu)的性能。本文的主要工作如下：
　　（1）提出一種基于K均值算法和遺傳算法的集成ELM算法—KGA-DOEELM。該算法根據(jù)ELM的輸入輸出權(quán)重和偏置，利用K均值聚類將初始ELM分成多個(gè)簇；在不同的簇中錦標(biāo)賽選擇算子根據(jù)成員ELM間的準(zhǔn)確率和差異度

3、雙重選擇出最優(yōu)的成員ELM，組成新的ELM集群。在多個(gè)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，構(gòu)建的集成系統(tǒng)比其他的集成ELM和單一的ELM具有較高的系統(tǒng)差異度，保證了系統(tǒng)準(zhǔn)確率。
　　（2）在KGA-DOEELM基礎(chǔ)上，提出基于多子群優(yōu)化的集成極端學(xué)習(xí)機(jī)―M-KGA-DOEELM。該算法主要針對(duì)算法KGA-DOEELM對(duì)初期成員ELM選擇后的遺漏進(jìn)行補(bǔ)充，首先利用K均值算法將初始ELM集群分類后，錦標(biāo)賽選擇算子依次從不同簇中選出適應(yīng)度值最優(yōu)和適