如需要完整文档点击下方 "点击下载文档" 按钮

针对极限学习机结构参数过多,初始化阶段输入层和隐层间的权值矩阵以及隐层的阈值随机生成导致该算法性能不稳定、易出现过拟合现象的缺陷,在自适应遗传算法的基础上对极限学习机算法进行优化提升。 首先,该算法将传统遗传算法中的交叉变异概率改进为随群体适应度水平和当前遗传代数更新的自适应参数,优化算法对局部和全局最优解的搜索能力;然后,将极限学习机中的待定参数作为染色体带入遗传算法中进行交叉变异操作寻找适应度最佳个体。 通过仿真实验将该改进算法和 ELM、BP 神经网络模型进行比较,实验结果表明该改进算法在分类问题以及回归问题中都得到了更加准确的预测结果,极限学习机的泛化性能得到显著提升。

如需要完整文档点击下方 "点击下载文档" 按钮

《基于自适应遗传算法的极限学习机改进算法》

将 完整文档 下载到本地，方便收藏和查阅

文件号：060351

点击下载文档