基于改进乌鸦搜索算法的极限学习机分类算法制造技术

本发明专利技术涉及极限学习机分类算法技术领域，具体涉及基于改进乌鸦搜索算法的极限学习机分类算法；包括以下步骤：搭建ELM网络模型，采用ICSA算法，对ELM模型随机生成的输入权重和阈值进行优化通过引入AP值动态递变函数去平衡全局和局部搜索性能，引入莱维飞行搜索方法避免盲目搜索，引入多个体变因子加权学习方法保证种群多样性，引入邻代维度交叉方法增强最优个体藏食位置质量，避免获得局部最优值，从而实现准确预测结果。本发明专利技术弥补随机生成输入权重和阈值带来的一系列缺陷，提高ELM模型分类精度，并在对ELM模型参数进行优化时，基于传统CSA算法，通过引入AP值动态递变函数去平衡全局和局部搜索性能，引入莱维飞行搜索方法避免盲目搜索。免盲目搜索。免盲目搜索。

【技术实现步骤摘要】
基于改进乌鸦搜索算法的极限学习机分类算法


[0001]本专利技术涉及极限学习机分类算法
，具体涉及基于改进乌鸦搜索算法的极限学习机分类算法。

技术介绍

[0002]极限学习机(ELM)具有与单隐层前馈神经网络一样的网络结构，在处理多分类问题上有着固定优势。与支持向量机(SVM)处理多分类问题需要多个分类器投票实现不同，ELM实现多分类只需要采用一个网络就能实现。ELM运算速度快、计算复杂度低，因为它不像SVM一样求解复杂二次优化，不像BP神经网络通过迭代求解，只需设置隐含层节点数就能获得良好的性能，同时采用的神经网络框架可以很容易处理多分类问题。
[0003]ELM随机生成输入层和隐含层之间的输入权重和隐含层神经元阈值，通过求解Moore
‑
Penrose广义逆运算就可以得到输出权重，但是随机生成输入权重和阈值的方法将会导致部分隐含层神经元的作用很小，从训练样本中提取的信息不足以概括和反映数据的内在规律从而出现欠拟合问题，为了解决欠拟合问题需要采用更多的隐含层神经元个数，在降低响应速度的同时增加了计算复杂度和内存本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进乌鸦搜索算法的极限学习机分类算法，其特征在于，包括以下步骤：搭建ELM网络模型，采用ICSA算法，对ELM模型随机生成的输入权重和阈值进行优化通过引入AP值动态递变函数去平衡全局和局部搜索性能，引入莱维飞行搜索方法避免盲目搜索，引入多个体变因子加权学习方法保证种群多样性，引入邻代维度交叉方法增强最优个体藏食位置质量，避免获得局部最优值，从而实现准确预测结果。2.根据权利要求1所述的基于改进乌鸦搜索算法的极限学习机分类算法，其特征在于，对于ELM模型随机生成的输入权重和阈值，采用ICSA寻优算法，自适应获取最优输入权重和阈值，其具体步骤如下所示：Step1：设置最大迭代次数iter
max
，随机初始化N个初始解(乌鸦位置)，计算初始乌鸦种群最佳位置和适应度，iter＝1；Step2：根据递变规则动态更新感知概率AP，实现局部和全局搜索性能之间的平衡，更新公式如下：Step3：采用莱维飞行搜索策略避免寻优方向盲目性，采用多个体变因子加权学习策略确保子代乌鸦可以同时向多个个体学习，改善种群多样性，相应数学表达为：x
i，iter+1
＝x
i，iter
+r
i
(1，d)
×
(λ
iter
m
j，iter
+(1
‑
λ
iter
)b
iter
‑
x
i，iter
)，r
j
≥AP
j，iter
(3)其中α为步长缩放因子，控制随机搜索范围，r
α
为区间(0,1)区间内的随机数，γ、σ服从标准正态分布，Γ(x)＝(x
‑
1)！，s为取值范围在[1,2]之间的常数，x
i，iter+1
为乌鸦i在第iter+1次迭代下的个体最优藏食位置，r
i
(1，d)是区间(0,1)之间的d维随机变量，λ
iter
为第iter次迭代时的加权学习因子，b
iter

【专利技术属性】
技术研发人员：刘半藤，霍闪闪，王柯，陈友荣，
申请(专利权)人：浙江树人学院浙江树人大学，
类型：发明
国别省市：