龙源期刊网 http://www.qikan.com.cn
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年第11期
摘 要：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（ACPSO-ELM）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。 关键词：自适应；极限学习机；混沌粒子群；基因分类 中图分类号：TP181 文献标志码：A
文章编号：1001-9081（2016）11-3123-04 0 引言
前馈神经网络能够通过输入样本逼近复杂的非线性映射，因此在很多领域都有应用，但是存在学习速度慢、容易陷入局部收敛和在不同场合其参数难以调解等复杂问题，以致其发展受限。为解决这些问题，2006年Huang[1]提出一种新型单隐层前馈神经网络——极限学习机（Extreme Learning Machine， ELM），通过核函数将数据从低维空间映射到高维空间中，处理非线性数据，但是参数随机产生使结果存在一定的随机性，因此容易产生较差的分类效果。1995年James Kennedy和Russel Eberhart提出粒子群（Particle Swarm Optimization， PSO）算法[2-3]，该方法是基于群体演化的随机全局优化的一种智能优化算法，其中心思想是对鸟群或鱼群合作捕食行为的研究。在优化复杂函数时，PSO算法的搜索精度不能达到要求，且易陷入局部最优的状况，到搜索后期经常会出现震荡情况。2009年，Lei等[4]提出了基于混沌序列的粒子群优化算法，通过引入混沌序列增强了算法的全局搜索能力。2012年， Han等[5]提出了用PSO算法对ELM进行优化，通过优化ELM 的输入层权值及隐藏层偏差，得到一个最优的网络。2015年，Yang等[6]提出基于Tent混沌序列的PSO算法，在增强全局搜索能力的基础上有效地避免了算法的盲目性，提高了算法收敛速度。
本文通过分析ELM的缺点，提出一种新的自适应混沌粒子群极限学习机（Adaptive Chaotic Particle Swarm Optimization-Extreme Learning Machine，ACPSO-ELM）分类器。在该算
自适应混沌粒子群算法对极限学习机参数的优化
