1 简介针对传统极限学习机(ELM)缺乏有效的训练方法,应用时预测精度不理想这一弱点,提出了一种基于爬山算法结合遗传算法(GA)训练极限学习机(GA-ELM)的方法.在该方法中,ELM的输入权值和隐藏层节点阈值映射为GA的染色体向量,GA的适应度函数对应ELM的训练误差;通过GA的遗传操作训练ELM,选出使ELM网络误差最小的输入权值和阈值,从而改善ELM的泛化性能.通过与ELM的仿真结果对比,表明爬山算法结合遗传算法有效地改善了ELM网络的预测精度和泛化能力.2 部分代码%% clc clear close all load Y_elm load IGA_elm load label_test% 真实对应的标签 %% 画误差折线 % 未优化的误差 error1[] for i1:9 error1[error1 sum((Y(:,i)-output_test(:,i)).^2)]; end % 优化后的误差 error2[] for i1:9 error2[error2 sum((TY1(:,i)-output_test(:,i)).^2)]; end plot(error1) hold on plot(error2) legend(未优化,优化后) xlabel(样本号) title(优化前后误差曲线) ylabel(误差平方和) %% 画表格 ELM[]; IGA_ELM[]; shiji[]; for i1:9 ELM[ELM;Y(:,i)];% 普通ELM IGA_ELM[IGA_ELM; TY1(:,i)];%优化后ELM shiji[shiji; output_test(:,i)]; end result[ELM IGA_ELM shiji];3 仿真结果4 参考文献[1]王新环, and 刘志超. 一种基于遗传算法的极限学习机改进算法研究. 软件导刊 16.9(2017):5.博主简介擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真有科研问题可私信交流。部分理论引用网络文献若有侵权联系博主删除。
