自适应混沌粒子群算法对极限学习机参数的优化

作者：陈晓青; 陆慧娟; 郑文斌; 严珂

来源：计算机应用, 2016, 36(11): 3123-3126.

• 自适应
• 极限学习机
• 混沌粒子群
• 基因分类

针对极限学习机(ELM)在处理非线性数据时效果不理想,并且ELM的参数随机化不利于模型泛化的特点,提出了一种改进的极限学习机算法。结合自适应混沌粒子群(ACPSO)算法对ELM的参数进行优化,以增强算法的稳定性,提高ELM对基因表达数据分类的精度。在UCI基因数据集上进行仿真实验,实验结果表明,与探测粒子群-极限学习机(DPSO-ELM)、粒子群-极限学习机(PSO-ELM)等算法相比,自适应混沌粒子群-极限学习机(ACPSOELM)算法具有较好的稳定性、可靠性,且能有效提高基因分类精度。

• 单位
  中国计量大学