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 i=1:9
error1=[error1 sum((Y(:,i)-output_test(:,i)).^2)];
end
% 优化后的误差
error2=[]
for i=1:9
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 i=1:9
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。
