摘  要 

2004 年，Huang等人提出了一類性能優(yōu)良的單隱層前向神經(jīng)網(wǎng)絡(luò)（SLFNs）學習算法，稱為極端學習機（ELM）。與一般的BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)相比，ELM具有較好的泛化性能、簡單易實現(xiàn)和學習速度快的優(yōu)點。同時，單個的ELM 在解決復(fù)雜的分類問題上效果并不理想。為了改善這些不足，研究者們將多個極端學習機集成起來，克服了單個ELM很難在復(fù)雜的分類問題上取得良好分類效果這一缺陷。在這個集成系統(tǒng)中，能夠充分發(fā)揮單個極端學習機之間的互補性，從而改善了單個極端學習機在分類問題上的泛化性能和魯棒性。

微粒群算法（PSO）具有容易理解和實現(xiàn)，并且計算量小、對適應(yīng)值函數(shù)要求寬泛以及全局搜索能力強等優(yōu)點。目前PSO算法已得到了廣泛的應(yīng)用。本文將PSO應(yīng)用于優(yōu)化集成極端學習機，該方法能夠有效提高集成分類器的準確率。本文的主要工作如下：

1． 利用PSO優(yōu)化的集成極端學習機。準確率高的集成分類器在穩(wěn)定性能和泛化性能上優(yōu)越于傳統(tǒng)的單一分類器