基于微粒群優(yōu)化的極端學(xué)習(xí)機(jī)的應(yīng)用

1.22萬(wàn)字 30頁(yè) 原創(chuàng)作品，已通過(guò)查重系統(tǒng)


摘要 人工神經(jīng)網(wǎng)絡(luò)（Artificial neural networks）是一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的數(shù)學(xué)模型。這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過(guò)調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系，從而達(dá)到處理信息的目的，并具有自學(xué)習(xí)和自適應(yīng)的能力。前饋神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)中的一種典型的分層結(jié)構(gòu)，信息從輸入層進(jìn)入網(wǎng)絡(luò)后逐層向前傳遞至輸出層是現(xiàn)在研究比較多的一種神經(jīng)網(wǎng)絡(luò)算法
極端學(xué)習(xí)機(jī)（Extreme Learning Machine）是一種簡(jiǎn)單易用、有效的單隱層前饋神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法（如BP算法）需要人為設(shè)置大量的網(wǎng)絡(luò)訓(xùn)練參數(shù)，并且很容易產(chǎn)生局部最優(yōu)解。極限學(xué)習(xí)機(jī)只需要設(shè)置網(wǎng)絡(luò)的隱層節(jié)點(diǎn)個(gè)數(shù)，在算法執(zhí)行過(guò)程中不需要調(diào)整網(wǎng)絡(luò)的輸入權(quán)值以及隱層偏置，并且產(chǎn)生唯一的最優(yōu)解，因此具有學(xué)習(xí)速度快且泛化性能好的優(yōu)點(diǎn)。也正是因?yàn)檩斎霗?quán)值和隱層偏置的隨機(jī)產(chǎn)生，ELM算法有時(shí)收斂比較慢且需要更多的隱層節(jié)點(diǎn)數(shù)。
粒子群（Particle Swarm Optimization）算法作為一種進(jìn)化計(jì)算，因其算法簡(jiǎn)單，易于實(shí)現(xiàn)等優(yōu)點(diǎn)以及在連續(xù)優(yōu)化問(wèn)題和離散優(yōu)化問(wèn)題中都表現(xiàn)出良好的效果。本文通過(guò)將PSO與ELM結(jié)合，可以有效的用來(lái)訓(xùn)練前饋神經(jīng)網(wǎng)絡(luò)?；谖⒘Ｈ核惴ǜ倪M(jìn)的極端學(xué)習(xí)機(jī)（PSO-ELM）用PSO算法優(yōu)化選擇ELM中隨機(jī)產(chǎn)生的輸入層權(quán)值和隱含層偏差，從而得到一個(gè)更優(yōu)的算法。并將改進(jìn)的算法應(yīng)用于數(shù)據(jù)的回歸和分類(lèi)，驗(yàn)證了算法的有效性。


關(guān)鍵詞：人工智能 前饋神經(jīng)網(wǎng)絡(luò) 粒子群優(yōu)化 極端學(xué)習(xí)機(jī)