基于柔性多面体的最优核极限学习机算法

发布时间：2025-01-11 04:49

　　 针对核极限学习机参数优化困难的问题,提出一种基于网格搜索柔性多面体的最优化核极限学习机算法。为高斯核变量和惩罚变量构造二维网格,从网格中选取最小目标函数值所对应的参数点构造初始柔性多面体,解决柔性多面体对初始值敏感的问题;给柔性多面体的变形搜索参数添加权重值,区分核参数和惩罚参数对核极限学习机分类性能影响程度;通过迭代柔性多面体实现核极限学习参数的最优化搜索,用所获最优参数构造核极限学习机并用于数据分类。在UCI、KEEL和人工数据集上与其它优化核极限学习机算法进行计算结果比较,验证所提算法的可行性。

【文章页数】：6 页

【部分图文】：

图1 核参数与惩罚参数在KELM上的影响

式中:N为训练样本总数,Perror(σi,Cj)表示在核参数为σi以及惩罚参数为Cj时错误分类的样本数。令允许的训练误差为TolFun,默认值设定为0.01。选取二维网格中满足F(σi,Cj)>TolFun条件的网格点组合成参数集合G(σi,Cj,F(σi,Cj))。然....

图2 网格搜索优化柔性多面体法收敛迭代次数对比

表3与GA-KELM、PSO-KELM和GS-KELM之间的对比:分类精度与标准偏差数据集名GSFP-KELMGA-KELMPSO-KELMKS-KELM(σ,C)准确率/%(σ,C)准确率/%(σ,C)准确率/%σ准确率/%climate(1,2....

图3 网格搜索优化柔性多面体法评估次数对比

图2网格搜索优化柔性多面体法收敛迭代次数对比表4是本文算法与近几年出现的一些极限学习机算法的分类精度比较,分别是基于文化基因算法的极限学习机(M-ELM)[15]、实例克隆极限学习机(IC-ELM)[16]、基于多目标优化的稀疏极限学习机算法(MO-SELM)[17]。相关比较....

本文编号：4025968