一种粒子群优化的SVM-ELM模型

摘要：

极限学习机(extreme learning machine,ELM)是一种简单易用、有效的单隐层前馈神经网络(single hidden layer feedforward neural networks,SLFNs)学习算法,近几年来已成为机器学习研究的热门领域之一.但是ELM单个隐层节点的判断能力不足,分类正确率的高低在一定程度上取决于隐层节点数.为了提高ELM单个隐层节点的判断能力,将支持向量机(support vector machine,SVM)和ELM结合,建立一种精简的SVM-ELM模型.同时,该模型为了避免人为选择参数的主观性,利用粒子群算法(particle swarm optimization,PSO)的全局搜索最优解对参数进行自动优化选取,建立了PSO-SVM-ELM模型.实验证明,该模型较SVM-ELM和ELM分类精度有较大的提高,具有很好的稳健性和泛化性.

关键词：粒子群算法(PSO)、支持向量机(SVM)、极速学习机(ELM)、SVM-ELM

所属期刊栏目：13

分类号：TP18(自动化基础理论)

资助基金：The National Natural Science Foundation of China under Grant Nos. 61672522, 61379101

在线出版日期：2019-05-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：657-665