CAJ | 학술논문

正则极限学习机(regularized extreme learning machine,RELM)具有比极限学习机(extreme learning machine,ELM)更好的泛化能力.然而RELM的输入层权值、隐含层偏差是随机给定的,会影响RELM的稳定性.另外,RELM为了获得较理想的分类精度,仍需设置较多的隐层节点.针对此问题,通过分析粒子群优化算法(particle swarm optimization,PSO)的原理,把RELM初始产生的输入层权值、隐含层偏差作为粒子带入PSO进行寻优.通过在Breast和Brain数据集上进行多次10折交叉验证表明,粒子群改进正则极限学习机(PSO-RELM)可以在隐层节点设置较少时获得比BP神经网络(back propagation,BP)、支持向量机(support vector machine,SVM)、RELM更好的分类精度和更佳的稳定性.
정칙겁한학습궤(regularized extreme learning machine,RELM)구유비겁한학습궤(extreme learning machine,ELM)경호적범화능력.연이RELM적수입층권치、은함층편차시수궤급정적,회영향RELM적은정성.령외,RELM위료획득교이상적분류정도,잉수설치교다적은층절점.침대차문제,통과분석입자군우화산법(particle swarm optimization,PSO)적원리,파RELM초시산생적수입층권치、은함층편차작위입자대입PSO진행심우.통과재Breast화Brain수거집상진행다차10절교차험증표명,입자군개진정칙겁한학습궤(PSO-RELM)가이재은층절점설치교소시획득비BP신경망락(back propagation,BP)、지지향량궤(support vector machine,SVM)、RELM경호적분류정도화경가적은정성.