[发明专利]基于改进乌鸦搜索算法的极限学习机分类算法

说明书

本发明涉及极限学习机分类算法技术领域，具体涉及基于改进乌鸦搜索算法的极限学习机分类算法；包括以下步骤：搭建ELM网络模型，采用ICSA算法，对ELM模型随机生成的输入权重和阈值进行优化通过引入AP值动态递变函数去平衡全局和局部搜索性能，引入莱维飞行搜索方法避免盲目搜索，引入多个体变因子加权学习方法保证种群多样性，引入邻代维度交叉方法增强最优个体藏食位置质量，避免获得局部最优值，从而实现准确预测结果。本发明弥补随机生成输入权重和阈值带来的一系列缺陷，提高ELM模型分类精度，并在对ELM模型参数进行优化时，基于传统CSA算法，通过引入AP值动态递变函数去平衡全局和局部搜索性能，引入莱维飞行搜索方法避免盲目搜索。

技术领域

本发明涉及极限学习机分类算法技术领域，具体涉及基于改进乌鸦搜索算法的极限学习机分类算法。

背景技术

极限学习机(ELM)具有与单隐层前馈神经网络一样的网络结构，在处理多分类问题上有着固定优势。与支持向量机(SVM)处理多分类问题需要多个分类器投票实现不同，ELM实现多分类只需要采用一个网络就能实现。ELM运算速度快、计算复杂度低，因为它不像SVM一样求解复杂二次优化，不像BP神经网络通过迭代求解，只需设置隐含层节点数就能获得良好的性能，同时采用的神经网络框架可以很容易处理多分类问题。

ELM随机生成输入层和隐含层之间的输入权重和隐含层神经元阈值，通过求解Moore-Penrose广义逆运算就可以得到输出权重，但是随机生成输入权重和阈值的方法将会导致部分隐含层神经元的作用很小，从训练样本中提取的信息不足以概括和反映数据的内在规律从而出现欠拟合问题，为了解决欠拟合问题需要采用更多的隐含层神经元个数，在降低响应速度的同时增加了计算复杂度和内存消耗，因此需要对ELM输入权重和阈值两个参数进行优化改进。

发明内容

针对ELM输入权重和阈值随机生成导致算法泛化性能低下的问题，提出一种基于改进乌鸦搜索算法(ICSA)的极限学习机分类算法。在CSA算法局限性的基础上，引入AP值动态递变函数去平衡全局和局部搜索性能，引入莱维飞行搜索方法避免盲目搜索，引入多个体变因子加权学习方法保证种群多样性，引入邻代维度交叉方法增强最优个体藏食位置质量，利用ICSA算法优化ELM输入权重和阈值，从而获得准确的预测结果，降低ELM算法误差，提高算法泛化性能。

为解决上述技术问题，在本发明中，首先搭建ELM网络模型，采用ICSA参数优化算法，对随机生成的输入权重和阈值进行优化，快速搜索最佳输入权重以及阈值，减少训练神经网络所需的评估次数。同时把得到的最佳输入权重和阈值作为ELM网络模型参数，降低ELM分类预测误差。

为实现上述目的，本发明提供了如下技术方案：

基于改进乌鸦搜索算法的极限学习机分类算法，包括：

搭建ELM网络模型，采用ICSA算法，对ELM模型随机生成的输入权重和阈值进行优化通过引入AP值动态递变函数去平衡全局和局部搜索性能，引入莱维飞行搜索方法避免盲目搜索，引入多个体变因子加权学习方法保证种群多样性，引入邻代维度交叉方法增强最优个体藏食位置质量，避免获得局部最优值，从而实现准确预测结果。

本发明进一步设置为：对于ELM模型随机生成的输入权重和阈值，采用ICSA寻优算法，自适应获取最优输入权重和阈值，其具体步骤如下所示：

Step1：设置最大迭代次数iter_max，随机初始化N个初始解(乌鸦位置)，计算初始乌鸦种群最佳位置和适应度，iter＝1；

Step2：根据递变规则动态更新感知概率AP，实现局部和全局搜索性能之间的平衡，更新公式如下：

Step3：采用莱维飞行搜索策略避免寻优方向盲目性，采用多个体变因子加权学习策略确保子代乌鸦可以同时向多个个体学习，改善种群多样性，相应数学表达为：