计算机科学与探索

作者：庞俊，黄恒，张寿，舒智梁，赵宇海

单位：1. 武汉科技大学 计算机科学与技术学院，武汉 4300702. 智能信息处理与实时工业系统湖北省重点实验室，武汉 4300703. 东北大学 计算机科学与工程学院，沈阳 110169

关键词：超限学习机,半监督分类,策略选择,差分进化,缩放因子

演化算法和分析方法的结合是机器学习领域近几年的一个研究热点。研究如何将差分进化（DE）演化算法与基于超限学习机（ELM）的半监督分类算法相结合。首先，提出了一种基于DE和ELM的半监督分类方法（DE-ELM-SSC），该算法大致步骤为：采用多种差分进化策略对超限学习机输入权重和偏置参数进行优化，并根据均方根误差选出一个适合目标数据集的最优策略；将上一步选出的最优进化策略应用于DE算法，从而达到优化ELM网络参数的目的；为了构造半监督分类预测模型，采用Tri-training技术实现了三个改进ELM基分类器的协同训练。然后，采用非线性方法改进现有惯性策略方法，实现了缩放因子自适应调整，从而优化了DE-ELM-SSC算法，得到DE-ELM-SSC+算法。UCI标准数据集上的大量实验结果表明，DE-ELM-SSC+算法能根据数据集选择合适的进化策略，并自适应调整缩放因子，获得比Baseline方法更高的分类准确率。

来源：2020年第12期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2020年第12期