《電子技術(shù)應(yīng)用》
您所在的位置：首頁(yè) > 其他 > 设计应用 > 狮群优化核极限学习机的分类算法
狮群优化核极限学习机的分类算法
2022年电子技术应用第2期
刘新建，孙中华
武汉烽火信息集成技术有限公司，湖北 武汉430074
摘要： 在核极限学习机(Kernel Based Extreme Learning Machine，KELM)分类应用的基础上，结合狮群算法(Loin Swarm Optimization，LSO)强全局寻优能力与收敛快的特性，提出一种LSO优化KELM算法。将测试准确率作为LSO优化KELM的适应度函数，根据移动位置获取最优适应度值进行数据分类测试的评价标准。采用UCI数据集仿真测试，实验结果表明，较KELM分类，LSO优化KELM可获得更优的分类准确率；较麻雀搜索算法(Sparrow Search Algorithm，SSA)优化KELM，LSO优化KELM收敛速度快，分类性能更优。
中圖分類(lèi)號(hào)： TP391.9
文獻(xiàn)標(biāo)識(shí)碼： A
DOI：10.16157/j.issn.0258-7998.211532
中文引用格式： 劉新建，孫中華. 獅群優(yōu)化核極限學(xué)習(xí)機(jī)的分類(lèi)算法[J].電子技術(shù)應(yīng)用，2022，48(2)：69-72.
英文引用格式： Liu Xinjian，Sun Zhonghua. Classification algorithm of loin swarm optimization kernel extreme learning machine[J]. Application of Electronic Technique，2022，48(2)：69-72.
Classification algorithm of loin swarm optimization kernel extreme learning machine
Liu Xinjian，Sun Zhonghua
Wuhan Fiberhome Information Integration Technologies Co.，Ltd.，Wuhan 430074，China
Abstract： Based on the classification and application of the kernel based extreme learning machine(KELM)，combined with the strong global optimization ability and fast convergence characteristics of the lion swarm optimization(LSO) algorithm, an LSO optimization KELM algorithm is proposed. The test accuracy is taken as the fitness function of LSO to optimize KELM, and the evaluation standard for data classification test is obtained according to the mobile position to obtain the optimal fitness value. Using UCI data set simulation test, the experimental results show that compared with KELM classification, LSO optimization KELM can obtain better classification accuracy. Compared with sparrow search algorithm(SSA) optimization KELM, LSO optimization KELM has faster convergence speed and better classification performance.
Key words : kernel extreme learning machine(KELM)；lion swarm optimization(LSO)；sparrow search algorithm(SSA)

0 引言

    圖像分類(lèi)是圖像領(lǐng)域的研究熱點(diǎn)之一，研究者對(duì)于不同場(chǎng)景的圖像采用不同的算法進(jìn)行研究。極限學(xué)習(xí)機(jī)(Extreme Learning Machine，ELM)有效避免了傳統(tǒng)前饋神經(jīng)網(wǎng)絡(luò)訓(xùn)練的劣勢(shì)，基于學(xué)習(xí)速度快、泛化性能好等優(yōu)勢(shì)應(yīng)用于圖像分類(lèi)領(lǐng)域。文獻(xiàn)[1]采用改進(jìn)蝙蝠算法優(yōu)化極限學(xué)習(xí)機(jī)進(jìn)行圖像分類(lèi)，提高分類(lèi)準(zhǔn)確率的基礎(chǔ)上加快了分類(lèi)速度；文獻(xiàn)[2]采用螢火蟲(chóng)算法(Firefly Algorithm，F(xiàn)A)優(yōu)化極限學(xué)習(xí)機(jī)對(duì)遙感影響進(jìn)行分類(lèi)，F(xiàn)A優(yōu)化算法高于傳統(tǒng)的遺傳算法(Genetic Algorithm，GA)和粒子群算法(Particle Swarm Optimization，PSO)優(yōu)化方法；文獻(xiàn)[3]采用魚(yú)群算法優(yōu)化極限學(xué)習(xí)機(jī)，可獲得更好的分類(lèi)效果；文獻(xiàn)[4]采用局部信息保持極限學(xué)習(xí)機(jī)，在分類(lèi)性能上優(yōu)于KELM算法；文獻(xiàn)[5]、[6]采用多核多特征進(jìn)行重構(gòu)ELM，提高了準(zhǔn)確性和完整性。綜上，較ELM，采用群智能優(yōu)化算法可獲得更好的分類(lèi)效果。KELM采用核函數(shù)來(lái)取代ELM的內(nèi)積運(yùn)算，增加了函數(shù)逼近能力，提高了非線性分類(lèi)能力。文獻(xiàn)[7]采用核極限學(xué)習(xí)機(jī)應(yīng)用于脈象分類(lèi)問(wèn)題，較反向傳播算法(Back Propagation，BP)和支持向量機(jī)算法(Support Vector Machine，SVM)提高了分類(lèi)準(zhǔn)確性。文獻(xiàn)[8]采用核極限學(xué)習(xí)機(jī)可獲得乳腺良惡性腫塊樣病變數(shù)據(jù)的分類(lèi)準(zhǔn)確率。

    文獻(xiàn)[9]指出LSO比PSO算法具有收斂速度快、精度高的特點(diǎn)，可獲得全局最優(yōu)解。文獻(xiàn)[10]、[11]指出獅群算法優(yōu)化傳統(tǒng)算法，可獲得更高精度。本文在KELM良好的分類(lèi)性能基礎(chǔ)上，結(jié)合LSO的尋優(yōu)能力，提出LSO優(yōu)化KELM算法(簡(jiǎn)稱(chēng)LKELM)，并采用UCI數(shù)據(jù)集進(jìn)行仿真測(cè)試，以檢驗(yàn)分類(lèi)精度的提高程度。




本文詳細(xì)內(nèi)容請(qǐng)下載：http://m.ihrv.cn/resource/share/2000003971。




作者信息：

劉新建，孫中華

(武漢烽火信息集成技術(shù)有限公司，湖北 武漢430074)




wd.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。

相關(guān)內(nèi)容