自适应混沌粒子群算法对极限学习机参数的优化
来源：计算机应用杂志2016年第11期北京时间：
作者：陈晓青, 陆慧娟, 郑文斌, 严珂
单位：中国计量大学 信息工程学院, 杭州 310018
摘要：针对极限学习机（ELM）在处理非线性数据时效果不理想，并且ELM的参数随机化不利于模型泛化的特点，提出了一种改进的极限学习机算法。结合自适应混沌粒子群（ACPSO）算法对ELM的参数进行优化，以增强算法的稳定性，提高ELM对基因表达数据分类的精度。在UCI基因数据集上进行仿真实验，实验结果表明，与探测粒子群-极限学习机（DPSO-ELM）、粒子群-极限学习机（PSO-ELM）等算法相比，自适应混沌粒子群-极限学习机（ACPSO-ELM）算法具有较好的稳定性、可靠性，且能有效提高基因分类精度。
关键词：自适应,极限学习机,混沌粒子群,基因分类
基金资助：国家自然科学基金资助项目（61272315）；浙江省自然科学基金资助项目（LY14F020041）；国家安全总局项目（zhejiang-00062014AQ）。
