极限学习机

极限学习机

-

2023年3月19日发(作者：明天小小科学家)

极限学习机优化及其拟合性分析

极限学习机优化及其拟合性分析

王杰，苌群康，彭⾦柱

【摘要】摘要：运⽤烟花算法(fireworksalgorithm,FWA)优化极限学习机(extremelearningmachine,ELM).⾸先烟花算法经过

多次的迭代，确定M个最优的烟花，并且以极限学习机测试样本的RMSE作为烟花算法每次迭代的适应度函数,达到优化极限学

习机的输⼊权值矩阵和隐含层偏差的效果.最后根据⼴义逆求出输出矩阵.通过对⼀维sinC函数的测试结果表明,烟花算法优化极

限学习机能够以较少的隐含层节点数⽬达到更⾼的精度，⽐极限学习机的测试误差降低了29.58%.在以上基础上⼜做了对⾼斯

正态分布函数的拟合实验，验证了烟花算法优化极限学习机⽐极限学习机拥有更好的拟合性能.

【期刊名称】郑州⼤学学报（⼯学版）

【年(卷),期】2016(037)002

【总页数】5

【关键词】烟花算法；ELM；测试误差；隐含层节点；FWAELM；拟合性

0引⾔

传统的神经⽹络因其强⼤的⾮线性拟合能⼒、很强的鲁棒性和记忆能⼒被⼴泛地应⽤于很多领域.极限学习机是⼀种先进的神

经⽹络.输⼊权值和隐含层偏差根据输⼊神经元和隐含层节点数随机⽣成，输出权值矩阵根据隐含层输出矩阵的Moore-

Penrose⼴义逆计算得到[1].尽管极限学习机相⽐于传统的神经⽹络有很多优点，但是并不能满⾜⼈们对更⾼精度和更快速度

的追求，因此相继出现了很多优化极限学习机算法.例如粒⼦群优化极限学习机和⼩波核极限学习机等,分别优化了极限学习机

的隐含层节点数和极限学习机的分类性能.