基于Tri-DE-ELM的半监督模式分类方法研究

来源：计算机工程与应用杂志2018年第3期北京时间：

作者：吴明胜，邓晓刚

单位：中国石油大学（华东） 信息与控制工程学院，山东 青岛 266555

摘要：针对极限学习机（ELM）未充分利用未标注样本、训练精度受网络权值初值影响的问题，提出一种基于协同训练与差分进化的改进ELM算法（Tri-DE-ELM）。考虑到传统的ELM模式分类技术只利用了少量标注样本而忽视大量未标注样本的问题，首先应用基于Tri-Training算法的协同训练机制构建Tri-ELM半监督分类算法，利用少量的标记样本训练三个基分类器实现对未标记样本的标注。进一步针对基分类器训练中ELM网络输入层权值随机初始化影响分类效果的问题，采用差分进化（DE）算法对网络初值进行优化，优化目标及过程同时包括网络权值和分类误差两方面的因素，以避免网络的过拟合现象。在标准数据集上的实验结果表明，Tri-DE-ELM算法能有效地利用未标注数据，具有比传统ELM更高的分类精度。

关键词：极限学习机,差分进化,Tri-Training算法,半监督学习