10.3969/j.issn.1000-386x.2019.08.039
一种基于蚁狮优化的极限学习机
极限学习机(Extreme Learning Machine,ELM)是一种高效率的单隐层前馈神经网络,由于其训练速度快与泛化性能好,在各个领域中都有广泛的应用.但是极限学习机随机生成输入权值与隐含层偏置矩阵,随机性影响训练模型的泛化性能与稳定性,降低模型分类的精度.为了解决这一问题,借鉴蚁狮优化算法中利用蚁狮种群中的多个个体进行并行寻优的能力,改进优化极限学习机的输入权值与隐含层偏置矩阵,得到一个分类精度更高模型.以UCI标准数据库中数据进行分类实验分析验证,实验结果表明,在5类UCI数据集上基于蚁狮优化的极限学习机(ALO-ELM)相比于PSO-ELM和SaDE-ELM具有更高的分类精度.
极限学习机、蚁狮优化、智能优化算法
36
TP18(自动化基础理论)
国家自然科学基金项目61672473;山西省重点研发技术项目201803D121081;中北大学研究生科技基金资助课题20181543
2019-08-28（万方平台首次上网日期，不代表论文的发表时间）
共5页
230-234
