《電子技術應用》
您所在的位置:首頁 > 其他 > 設計應用 > 獅群優(yōu)化核極限學習機的分類算法
獅群優(yōu)化核極限學習機的分類算法
2022年電子技術應用第2期
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
摘要: 在核極限學習機(Kernel Based Extreme Learning Machine,KELM)分類應用的基礎上,結(jié)合獅群算法(Loin Swarm Optimization,LSO)強全局尋優(yōu)能力與收斂快的特性,提出一種LSO優(yōu)化KELM算法。將測試準確率作為LSO優(yōu)化KELM的適應度函數(shù),根據(jù)移動位置獲取最優(yōu)適應度值進行數(shù)據(jù)分類測試的評價標準。采用UCI數(shù)據(jù)集仿真測試,實驗結(jié)果表明,較KELM分類,LSO優(yōu)化KELM可獲得更優(yōu)的分類準確率;較麻雀搜索算法(Sparrow Search Algorithm,SSA)優(yōu)化KELM,LSO優(yōu)化KELM收斂速度快,分類性能更優(yōu)。
中圖分類號: TP391.9
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.
Classification algorithm of loin swarm optimization kernel extreme learning machine
Liu Xinjian,Sun Zhonghua
Wuhan Fiberhome Information Integration Technologies Co.,Ltd.,Wuhan 430074,China
Abstract: Based on the classification and application of the kernel based extreme learning machine(KELM),combined with the strong global optimization ability and fast convergence characteristics of the lion swarm optimization(LSO) algorithm, an LSO optimization KELM algorithm is proposed. The test accuracy is taken as the fitness function of LSO to optimize KELM, and the evaluation standard for data classification test is obtained according to the mobile position to obtain the optimal fitness value. Using UCI data set simulation test, the experimental results show that compared with KELM classification, LSO optimization KELM can obtain better classification accuracy. Compared with sparrow search algorithm(SSA) optimization KELM, LSO optimization KELM has faster convergence speed and better classification performance.
Key words : kernel extreme learning machine(KELM);lion swarm optimization(LSO);sparrow search algorithm(SSA)

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)




wd.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng),未經(jīng)授權禁止轉(zhuǎn)載。