Kelm分类如何利用粒子群算法优化核极限学习机进行数据分类并附Matlab代码？

本文共计839个文字，预计阅读时间需要4分钟。

1+简介+当今社会癌症发病率越来越高，对人类健康构成严重威胁，伴随人类基因组计划（Human Genome Project）的发展，可通过DNA微阵列技术产生大量基因表达数据，但数据集的样本一致性是一大挑战。

1 简介

当今社会癌症的发病率越来越高,对人类健康构成严重的威胁,伴随着人类基因组计划(Human Genome Project)的发展,可以通过DNA微阵列技术产生大量的基因表达数据,但是数据集的样本一般都是维数高而且样本量比较少。如何从数据中挖掘出有用的信息和知识,对肿瘤的辅助诊断至关重要。极限学习机(Extreme Learning Machine,ELM)能够通过输入样本逼近复杂的非线性映射,在基因数据分类时学习速度快,并且能够避免陷入局部收敛的状况,但是在处理非线性数据时,分类结果较差,并且不稳定。为了得出精度更高且更稳定的基因分类算法,本文对ELM算法进行了研究。主要工作有:1)提出一种基于粒子群的核极限学习机算法。通过分析ELM算法的原理,结合其优缺点,引入了核函数,采用核极限学习机(Kernel Extreme Learning Machine,KELM)对给定数据进行初始化,产生一组输入权值和隐层偏置,针对KELM内权随机赋值导致算法不稳定的问题,用粒子群优化算法对内权参数进行优化,最终得到分类效果较优并且稳定的PSO-KELM分类器。