如何利用改进的松鼠算法优化DELM分类，实现深度学习极限学习机数据分类并附Matlab代码？

本文共计1284个文字，预计阅读时间需要6分钟。

1+简介+人工神经网络的最大缺点是训练时间过长，从而限制其实时应用范围。近年来，极限学习机（Extreme Learning Machine，ELM）的提出大幅缩短了前馈神经网络的训练时间，然而当原始数据混合复杂入时，其性能会受到影响。

1 简介

人工神经网络的最大缺点是训练时间太长从而限制其实时应用范围,近年来,极限学习机(Extreme Learning Machine, ELM)的提出使得前馈神经网络的训练时间大大缩短,然而当原始数据混杂入大量噪声变量时,或者当输入数据维度非常高时,极限学习机算法的综合性能会受到很大的影响.深度学习算法的核心是特征映射,它能够摒除原始数据中的噪声,并且当向低维度空间进行映射时,能够很好的起到对数据降维的作用,因此我们思考利用深度学习的优势特性来弥补极限学习机的弱势特性从而改善极限学习机的性能.为了进一步提升DELM预测精度，本文采用麻雀搜索算法进一步优化DELM超参数，仿真结果表明，改进算法的预测精度更高。