一种使用遗传算法优化极限学习机的集成框架方法技术

本发明专利技术公开了一种使用遗传算法优化极限学习机的集成框架方法，在确定遗传算法框架中每个个体适应度时，使用的是从训练集中随机抽取的样例作为验证测试集，可以有效提高训练的网络的泛化性；完成迭代后，遗传算法中保留了一个训练误差较小的极限学习机种群，然后依据极限学习机的特点，选择出其中训练误差小并且输出权值范数小的优秀个体用于集成。该方法充分利用了极限学习训练速度快的特点，通过使用遗传算法的框架并使用较少的迭代次数优化极限学习机个体，并根据极限学习机理论制定了相应的选择机制，将训练误差小同时输出权值的范数小的极限学习机选择出来用于集成网络，在可接受的训练时间内，泛化能力和网络稳定性得到了显著提高。

【技术实现步骤摘要】

【技术保护点】
一种使用遗传算法优化极限学习机的集成框架方法，其特征在于，包括如下步骤；S10：将极限学习机随机产生的输入权值及隐含层节点阈值编码成遗传算法个体，使用遗传算法随机出初始种群；S11：从整个训练集随机抽取出的一部分训练样本组成验证测试集，并使用验证测试集计算出每个个体的适应度；S12：使用交叉变异等遗传操作，产生与父代种群数相同的新种群；S13：从现有的两个种群中选择适应值优秀个体，进入下一代；S14：判断是否达到迭代次数，如果未达到迭代次数，则跳转到步骤S11；S15：将遗传算法留下种群中的个体按照适应值排序，保留集成数2倍的适应值优秀个体；S16：将保留个体按照输出权值的范数进行排序，保留其中输出权值范数小的一半；S17：将最终选择的极限学习机集成。

【技术特征摘要】

【专利技术属性】
技术研发人员：姚敏，薛晓伟，吴朝晖，
申请(专利权)人：浙江大学，
类型：发明
国别省市：