版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認(rèn)領(lǐng)
文檔簡介
1、極端學(xué)習(xí)機(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ELM在收斂性和泛化性能上取得更好的效果。然而ELM因隨機初始化輸入權(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庫中利用K均值算法(K-means)和錦標(biāo)賽選擇算子(Tournament Selection)對成員ELM進行分類和選擇。并進一步將選擇出
2、的ELM集群劃分為兩個群體,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)分別對其進行優(yōu)化,取得較優(yōu)的性能。本文的主要工作如下:
?。?)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。在多個數(shù)據(jù)集上的實驗結(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。
?。?)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―M-KGA-DOEELM。該算法主要針對算法KGA-DOEELM對初期成員ELM選擇后的遺漏進行補充,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
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于成員相似性的集成極端學(xué)習(xí)機及其應(yīng)用.pdf
- 基于極端學(xué)習(xí)機的分類方法研究.pdf
- 基于ARPSO算法優(yōu)化的集成極端學(xué)習(xí)機的研究與應(yīng)用.pdf
- 基于粒子群優(yōu)化的極端學(xué)習(xí)機的研究及其應(yīng)用.pdf
- 基于極限學(xué)習(xí)機的選擇性集成學(xué)習(xí)算法研究.pdf
- 基于粒子群優(yōu)化的構(gòu)造性極端學(xué)習(xí)機的研究.pdf
- 圖像目標(biāo)識別的集成極端學(xué)習(xí)機研究.pdf
- 基于集成極限學(xué)習(xí)機的神經(jīng)元分類算法研究.pdf
- 極端學(xué)習(xí)機的有效計算.pdf
- 基于集成極限學(xué)習(xí)機的腦電信號分類研究.pdf
- 基于集成學(xué)習(xí)的極限學(xué)習(xí)機的算法研究.pdf
- 基于極端學(xué)習(xí)機的短期風(fēng)電功率預(yù)測研究.pdf
- 基于極端學(xué)習(xí)機的混凝土抗壓強度預(yù)測研究.pdf
- 基于選擇性集成學(xué)習(xí)的支持向量機分類研究.pdf
- 基于極限學(xué)習(xí)機的半監(jiān)督分類.pdf
- 基于極速學(xué)習(xí)機的高光譜圖像分類研究.pdf
- 一種基于極限學(xué)習(xí)機的分類器及其應(yīng)用研究.pdf
- 基于粒子群優(yōu)化和極端學(xué)習(xí)機的基因表達譜數(shù)據(jù)處理方法的研究.pdf
- 基于極速學(xué)習(xí)機的深度學(xué)習(xí)在圖像分類上的研究.pdf
- 基于堆疊極限學(xué)習(xí)機的衛(wèi)星云圖分類研究.pdf
評論
0/150
提交評論