[发明专利]一种基于改进郊狼算法的ELM神经网络优化方法

权利要求书

1.一种基于改进郊狼算法的ELM神经网络优化算法，其特征在于：该方法包含下列步骤：

步骤1：确定ELM神神经网络的结构，根据求解问题确定神神经网络的输入以及输出节点个数，确定隐含层神经元节点数；

步骤2：根据输入层和隐含层节点数计算所需优化的网络参数的个数，将所要优化的目标映射为郊狼的位置，初始化分组个数N_P以及每组的郊狼个数N_C，初始化郊狼种群的位置；

步骤3：将数据进行归一化处理，然后将训练数据输入到网络模型当中，根据网络输出值与预测值的误差，用适应度函数来评估当前郊狼个体的适应度值；

步骤4：对郊狼种群以概率P_g进行随机分组；

步骤5：根据适应度值对组内郊狼个体进行排序，确定全局最优郊狼alpha^all、组内最优郊狼alpha，并计算文化趋势cult；

步骤6：郊狼按照新型成长公式成长，评估成长后郊狼的社会适应能力，贪心选择适应能力好的成长后郊狼；

步骤7：幼狼的出生和死亡，如果幼狼存活，则幼狼的年龄为0；

步骤8：对组内最优郊狼进行动态莱维变异操作，贪婪保存变异前后的郊狼；

步骤9：郊狼被组驱离和接纳，并更新每个郊狼的年龄，更新全局最优郊狼的位置；

步骤10：判断是否达到给定的最大迭代次数，如果达到最大迭代次数则返回全局最优郊狼的位置参数，并将其映射为ELM神神经网络所对应的网络参数初始值，否则返回步骤4。

2.根据权利要求1所述一种基于改进郊狼算法的ELM神经网络优化算法，其特征在于：步骤2所述郊狼的位置是一个n维的数据，其中n由下式计算所得：

n＝hidnum*innum+hidnum (1)

式中hidnum表示径向基神神经网络隐含层节点的个数，innum表示输入层节点数的个数。

3.根据权利要求1所述一种基于改进郊狼算法的ELM神经网络优化算法，其特征在于：步骤2中初始化郊狼位置时，初始化范围设定为(-1,1)之间。

4.根据权利要求1所述一种基于改进郊狼算法的ELM神经网络优化算法，其特征在于：对数据进行归一化处理，采用下式作为计算函数：

x_i％＝(x_i-min(x))/(max(x)-min(x)) (2)

式中x_i％表示第i(i＝1,2,L,n)个数据的归一化值，n表示输入数据样本个数，x_i为第i个样本值,max(x)表示输入样本的最大值，min(x)表示输入样本的最小值；

适应度值的计算函数如：

式中Y表示真实标签的值，Y_p表示神神经网络的预测值，N为训练数据的个数。

5.根据权利要求1所述一种基于改进郊狼算法的ELM神经网络优化算法，其特征在于：步骤4中对郊狼种群进行随机分组满足下式：

式中，t为当前迭代数，Packs^t-1表示迭代次数为t-1时的分组情况，r₁是[0,1]上的均匀分布的随机数，P_g为自定义的随机分组概率。

6.根据权利要求1所述一种基于改进郊狼算法的ELM神经网络优化算法，其特征在于：步骤5文化趋势cult的计算函数为：

式中，N_C表示每组的郊狼个数，表示按照适应度值进行排序之后的第个郊狼的第j(j＝1,2,…，n)维变量的社会状态因子，表示第个郊狼的第j(j＝1,2,…，n)维变量的社会状态因子。