[发明专利]一种使用遗传算法优化极限学习机的集成框架方法

权利要求书

1.一种使用遗传算法优化极限学习机的集成框架方法，其特征在于，包括如下步骤；

S10：将极限学习机随机产生的输入权值及隐含层节点阈值编码成遗传算法个体，使用遗传算法随机出初始种群；

S11：从整个训练集随机抽取出的一部分训练样本组成验证测试集，并使用验证测试集计算出每个个体的适应度；

S12：使用交叉变异等遗传操作，产生与父代种群数相同的新种群；

S13：从现有的两个种群中选择适应值优秀个体，进入下一代；

S14：判断是否达到迭代次数，如果未达到迭代次数，则跳转到步骤S11；

S15：将遗传算法留下种群中的个体按照适应值排序，保留集成数2倍的适应值优秀个体；

S16：将保留个体按照输出权值的范数进行排序，保留其中输出权值范数小的一半；

S17：将最终选择的极限学习机集成。

2.如权利要求1所述使用遗传算法优化极限学习机的集成框架方法，其特征在于：步骤S10中，每个个体的格式为：

θ=[w₁₁,w₁₂,...,w_1L,w₂₁,...w_2L,w_n1,...,w_nL,...,b₁,b₂,...,b_L]

L为隐含层节点数,n为样本输入的维度即输入层节点数，w_ij为极限学习机中第i个输入层节点与第j个隐含层节点的连接权值，b_i为第i个隐含层节点的阈值。

3.如权利要求2所述使用遗传算法优化极限学习机的集成框架方法，其特征在于：步骤S11中，适应度公式为：

fitness=Σj=1N||Σi=1Lβig(wi·xj+bi)-tj||22N]]>

N为随机抽取的验证测试集中的样本个数，L为隐含层节点数，x_j=[x_j1,x_j2,...,x_jn]^T为验证测试集中第j个样本的输入，n为样本的输入维度即输入层节点数，t_j=[t_j1,t_j2,...,t_jm]^T为验证测试集中第j个样本的输出，m为样本输出的维度即输出层节点数，w_i=[w_i1,w_i2,...,w_in]^T为输入层节点与第i个隐含层节点的连接权值，bi为第i个隐含层节点的阈值，β_i=[β_i1,β_i2,...,β_im]^T为输出层节点与第i个隐含层节点的连接权值;g(w_i·x_j+b_i)为隐含层激活函数，适应值公式机为求得每个验证测试集个体的均方根误差。

4.如权利要求3所述使用遗传算法优化极限学习机的集成框架方法，其特征在于：步骤S17中，整个集成网络的最终输出结果是将每个极限学习得到的结果平均。