基于粒子群的多标记阈值自适应极限学习机

摘要：

多标记学习考虑单个样例与多个类别标记相关联的情况,类别不平衡主要研究样本不均衡带给算法的影响,两者均是当前机器学习研究领域的热点.在多标记数据集中普遍存在类别不平衡现象,虽然目前已经提出了大量的多标记学习,但对于数据集的内在特点却鲜有研究.针对这一问题,提出了一种基于粒子群的多标记阈值自适应极限学习机算法(MLTA-ELM).该算法充分结合了极限学习机学习速度快、泛化性能好的优点及类别不平衡学习中的阈值自适应选择策略.首先利用极限学习机构建一个单隐层前馈神经网络模型,其次利用该模型实现多标记初步预测,然后采用粒子群优化算法作为阈值自适应选择策略,以此获得判断标记类别的最优阈值组合.最后,通过12个基准的多标记数据集,对MLTA-ELM算法的可行性及有效性进行了验证.实验结果表明,该算法与其他几种流行的方法相比,具有更好的预测能力.

关键词：多标记分类、类别不平衡、粒子群优化、极限学习机、阈值技术

所属期刊栏目：29

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金61305058,61572242;中国博士后特别资助计划项目2015T80481;中国博士后科学基金2013M540404;江苏省自然科学基金BK20130471;江苏省博士后基金1401037B

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6页

页码：47-52