文獻標識碼: A
DOI:10.16157/j.issn.0258-7998.211532
中文引用格式: 劉新建,孫中華. 獅群優(yōu)化核極限學習機的分類算法[J].電子技術應用,2022,48(2):69-72.
英文引用格式: Liu Xinjian,Sun Zhonghua. Classification algorithm of loin swarm optimization kernel extreme learning machine[J]. Application of Electronic Technique,2022,48(2):69-72.
0 引言
圖像分類是圖像領域的研究熱點之一,研究者對于不同場景的圖像采用不同的算法進行研究。極限學習機(Extreme Learning Machine,ELM)有效避免了傳統(tǒng)前饋神經(jīng)網(wǎng)絡訓練的劣勢,基于學習速度快、泛化性能好等優(yōu)勢應用于圖像分類領域。文獻[1]采用改進蝙蝠算法優(yōu)化極限學習機進行圖像分類,提高分類準確率的基礎上加快了分類速度;文獻[2]采用螢火蟲算法(Firefly Algorithm,F(xiàn)A)優(yōu)化極限學習機對遙感影響進行分類,F(xiàn)A優(yōu)化算法高于傳統(tǒng)的遺傳算法(Genetic Algorithm,GA)和粒子群算法(Particle Swarm Optimization,PSO)優(yōu)化方法;文獻[3]采用魚群算法優(yōu)化極限學習機,可獲得更好的分類效果;文獻[4]采用局部信息保持極限學習機,在分類性能上優(yōu)于KELM算法;文獻[5]、[6]采用多核多特征進行重構(gòu)ELM,提高了準確性和完整性。綜上,較ELM,采用群智能優(yōu)化算法可獲得更好的分類效果。KELM采用核函數(shù)來取代ELM的內(nèi)積運算,增加了函數(shù)逼近能力,提高了非線性分類能力。文獻[7]采用核極限學習機應用于脈象分類問題,較反向傳播算法(Back Propagation,BP)和支持向量機算法(Support Vector Machine,SVM)提高了分類準確性。文獻[8]采用核極限學習機可獲得乳腺良惡性腫塊樣病變數(shù)據(jù)的分類準確率。
文獻[9]指出LSO比PSO算法具有收斂速度快、精度高的特點,可獲得全局最優(yōu)解。文獻[10]、[11]指出獅群算法優(yōu)化傳統(tǒng)算法,可獲得更高精度。本文在KELM良好的分類性能基礎上,結(jié)合LSO的尋優(yōu)能力,提出LSO優(yōu)化KELM算法(簡稱LKELM),并采用UCI數(shù)據(jù)集進行仿真測試,以檢驗分類精度的提高程度。
本文詳細內(nèi)容請下載:http://ihrv.cn/resource/share/2000003971。
作者信息:
劉新建,孫中華
(武漢烽火信息集成技術有限公司,湖北 武漢430074)