企业官网建设流程全解析

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。