基于蜜獾算法优化的核极限学习机(KELM)分类算法
文章目录
基于蜜獾算法优化的核极限学习机(KELM)分类算法1.KELM理论基础2.分类问题3.基于蜜獾算法优化的KELM4.测试结果5.Matlab代码
摘要：本文利用蜜獾算法对核极限学习机(KELM)进行优化，并用于分类
1.KELM理论基础
核极限学习机（Kernel Based Extreme Learning Machine，KELM）是基于极限学习机（Extreme Learning Machine，ELM）并结合核函数所提出的改进算法，KELM 能够在保留 ELM 优点的基础上提高模型的预测性能。
ELM 是一种单隐含层前馈神经网络，其学习目标函数F(x) 可用矩阵表示为:
F
(
x
)
=
h
(
x
)
×
β
=
H
×
β
=
L
(9)
F(x)=h(x)\times \beta=H\times\beta=L \tag{9}
F(x)=h(x)×β=H×β=L(9) 式中：
x
x
x 为输入向量，
h
(
x
)
h(x)
h(x)、
H
H
H 为隐层节点输出，
β
β
β 为输出权重，
L
L
L 为期望输出。
将网络训练变为线性系统求解的问题，
β
\beta
β根据
β
=
H
∗
⋅
L
β=H * ·L
β=H∗⋅L 确定，其中，
H
∗
H^*
H∗ 为
H
H
H 的广义逆矩阵。为增强神经网络的稳定性，引入正则化系数
C
C
C 和单位矩阵
I
I
I，则输出权值的最小二乘解为
β
=
H
T
(
H
H
T
+
I
c
)
−
1
L
(10)
\beta = H^T(HH^T+\frac{I}{c})^{-1}L\tag{10}
β=HT(HHT+cI)−1L(10) 引入核函数到 ELM 中，核矩阵为：
Ω
E
L
M
=
H
H
T
=
h
(
x
i
)
h
(
x
j
)
=
K
(
x
i
,
x
j
)
(11)
\Omega_{ELM}=HH^T=h(x_i)h(x_j)=K(x_i,x_j)\tag{11}
ΩELM=HHT=h(xi)h(xj)=K(xi,xj)(11) 式中：
x
i
x_i
xi ，
x
j
x_j
xj 为试验输入向量，则可将式（9）表达为：
F
(
x
)
=
[
K
(
x
,
x
1
)
;
.
.
.
;
K
(
x
,
x
n
)
]
(
I
C
+
Ω
E
L
M
)
−
1
L
(12)
F(x)=[K(x,x_1);...;K(x,x_n)](\frac{I}{C}+\Omega_{ELM})^{-1}L \tag{12}
F(x)=[K(x,x1);...;K(x,xn)](CI+ΩELM)−1L(12) 式中：
(
x
1
,
x
2
,
…
,
x
n
)
(x_1 , x_2 , …, x_n )
(x1,x2,…,xn) 为给定训练样本，
n
n
n 为样本数量.
K
(
)
K()
K()为核函数。
2.分类问题
本文对乳腺肿瘤数据进行分类。采用随机法产生训练集和测试集，其中训练集包含 500 个样本，测试集包含 69 个样本 。
3.基于蜜獾算法优化的KELM
蜜獾算法原理请参考：https://blog.csdn.net/u011835903/article/details/122236413
由前文可知，本文利用蜜獾算法对正则化系数 C 和核函数参数 S 进行优化。适应度函数设计为训练集与测试集的错误率。
f
i
t
n
e
s
s
=
a
r
g
m
i
n
(
T
r
a
i
n
E
r
r
o
r
R
a
t
e
+
T
e
s
t
E
r
r
o
r
R
a
t
e
)
。
fitness = argmin(TrainErrorRate + TestErrorRate)。
fitness=argmin(TrainErrorRate+TestErrorRate)。
4.测试结果
从结果可以看出，蜜獾-KELM明显优于原始KELM算法
5.Matlab代码
参考文章
您阅读本篇文章共花了：
发表评论