基于進(jìn)化極限學(xué)習(xí)機(jī)的特征加權(quán)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(jì)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(xué)工具。模糊粗糙集是模糊集理論和粗糙集理論的有機(jī)結(jié)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(shí)值數(shù)據(jù)。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法可以用來(lái)數(shù)據(jù)分類，但是需要人為設(shè)置大量的網(wǎng)絡(luò)訓(xùn)練參數(shù)，并且很容易在沒(méi)達(dá)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(wèn)題，學(xué)者提出了一種新的單隱層前饋神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，即極限學(xué)習(xí)機(jī)算法。其主要

2、思想是，它可以隨機(jī)初始化輸入權(quán)重和偏置，與傳統(tǒng)的學(xué)習(xí)算法相比，極限學(xué)習(xí)機(jī)訓(xùn)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(guò)擬合等問(wèn)題。
　　在分類任務(wù)中，特征的重要程度起著關(guān)鍵性的作用。但是在實(shí)際的應(yīng)用中，不相關(guān)的特征存在，分類器的性能不可避免會(huì)產(chǎn)生下降。為了解決上述這些問(wèn)題，本文提出了一個(gè)應(yīng)用比較廣泛的特征加權(quán)框架，并將該框架成功地運(yùn)用于三種不同的近鄰分類算法中來(lái)實(shí)現(xiàn)數(shù)據(jù)的分類。這三種不同的算法分別為:基于進(jìn)化極限學(xué)習(xí)機(jī)的

3、加權(quán)近鄰分類算法、基于進(jìn)化極限學(xué)習(xí)機(jī)的特征加權(quán)近鄰等價(jià)分類算法和基于進(jìn)化極限學(xué)習(xí)機(jī)的加權(quán)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(diǎn)是使用基于進(jìn)化極限學(xué)習(xí)機(jī)的特征加權(quán)框架，三者的不同點(diǎn)是將特征加權(quán)分別應(yīng)用于三種不同的近鄰算法中?；谶M(jìn)化極限學(xué)習(xí)機(jī)的加權(quán)近鄰分類算法是將特征加權(quán)應(yīng)用到K近鄰分類算法中，實(shí)驗(yàn)證明了新的分類算法比較成功地提高了分類器的性能?；谶M(jìn)化極限學(xué)習(xí)機(jī)的加權(quán)近鄰等價(jià)分類算法是將特征加權(quán)應(yīng)用K近鄰等價(jià)分類算法中，