DE-ELM-SSC+半监督分类算法

摘要：

演化算法和分析方法的结合是机器学习领域近几年的一个研究热点.研究如何将差分进化(DE)演化算法与基于超限学习机(ELM)的半监督分类算法相结合.首先,提出了一种基于DE和ELM的半监督分类方法(DE-ELM-SSC),该算法大致步骤为:采用多种差分进化策略对超限学习机输入权重和偏置参数进行优化,并根据均方根误差选出一个适合目标数据集的最优策略;将上一步选出的最优进化策略应用于DE算法,从而达到优化ELM网络参数的目的;为了构造半监督分类预测模型,采用Tri-training技术实现了三个改进ELM基分类器的协同训练.然后,采用非线性方法改进现有惯性策略方法,实现了缩放因子自适应调整,从而优化了DE-ELM-SSC算法,得到DE-ELM-SSC+算法.UCI标准数据集上的大量实验结果表明,DE-ELM-SSC+算法能根据数据集选择合适的进化策略,并自适应调整缩放因子,获得比Baseline方法更高的分类准确率.

关键词：超限学习机、半监督分类、策略选择、差分进化、缩放因子

所属期刊栏目：14

分类号：TP391(计算技术、计算机技术)

资助基金：The National Natural Science Foundation of China under Grant Nos.61702381,61702382,61772124国家自然科学基金

在线出版日期：2020-12-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共14页

页码：2014-2027