基于進化極限學習機的特征加權近鄰分類算法.pdf

1、傳統(tǒng)的粗糙集理論是一種處理不完備、不完整數(shù)據(jù)的智能計算方法。傳統(tǒng)的模糊集理論也是一種重要的處理不精確，不確定信息的數(shù)學工具。模糊粗糙集是模糊集理論和粗糙集理論的有機結合體。模糊粗糙集可以靈活的處理模糊或者不精確的連續(xù)實值數(shù)據(jù)。傳統(tǒng)的神經(jīng)網(wǎng)絡學習算法可以用來數(shù)據(jù)分類，但是需要人為設置大量的網(wǎng)絡訓練參數(shù)，并且很容易在沒達到全局最優(yōu)解之前，產(chǎn)生局部最優(yōu)解。為了解決這些問題，學者提出了一種新的單隱層前饋神經(jīng)網(wǎng)絡學習算法，即極限學習機算法。其主要

2、思想是，它可以隨機初始化輸入權重和偏置，與傳統(tǒng)的學習算法相比，極限學習機訓練速度更快，具有更好的泛化性能，更易解決局部最小值和過擬合等問題。
　　在分類任務中，特征的重要程度起著關鍵性的作用。但是在實際的應用中，不相關的特征存在，分類器的性能不可避免會產(chǎn)生下降。為了解決上述這些問題，本文提出了一個應用比較廣泛的特征加權框架，并將該框架成功地運用于三種不同的近鄰分類算法中來實現(xiàn)數(shù)據(jù)的分類。這三種不同的算法分別為:基于進化極限學習機的

3、加權近鄰分類算法、基于進化極限學習機的特征加權近鄰等價分類算法和基于進化極限學習機的加權模糊粗糙近鄰分類算法。該論文提出的三種分類算法的相同點是使用基于進化極限學習機的特征加權框架，三者的不同點是將特征加權分別應用于三種不同的近鄰算法中。基于進化極限學習機的加權近鄰分類算法是將特征加權應用到K近鄰分類算法中，實驗證明了新的分類算法比較成功地提高了分類器的性能。基于進化極限學習機的加權近鄰等價分類算法是將特征加權應用K近鄰等價分類算法中，