科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对传统极限学习机(ELM)算法随机确定输入层权值和隐含层偏置导致的隐含层神经元过多和性能不稳定等问题，提出双伪逆权值确定的极限学习机算法。该算法的输出权值随机确定，其输入权值通过伪逆计算得到，随后再次使用伪逆法确定输出权值，使得输入权值和输出权值都为最优；最后，采用生长法确定网络的隐含神经元个数。将改进后的算法应用于乳腺肿瘤分类识别，验证其诊断准确率。研究结果表明：与传统极限学习机算法相比，改进后算法的分类准确率得到提升，且当其达到最佳分类准确率时，所需隐含层神经元个数减少，算法的稳定性更优。本文所提算法在乳腺肿瘤辅助诊断模型中具有分类准确率高、假阴性率低的优点。
- 单位
