一种Fibonacci优化理论的改进ELM分类方法

摘要 作为一种单隐层前馈神经网络，极限学习机(Extreme Learning Machine：ELM)相比传统神经网络算法具有模型简单、泛化能力好、学习速度快等优点，在大规模基因芯片技术的应用中为基因表达数据的肿瘤诊断提供了新的途径，是交叉科学领域新的突破．针对极限学习机随机确定权值，以及其算法存在大量隐层的神经元个数导致算法性能不稳定、分类精度不理想等问题，采用基于优化理论中的Fibonacci序列对ELM隐层节点与偏置进行改进，提出了一种基于Fibonacci优化理论的ELM分类方法(F-ELM)．将改进分类方法应用到Hepatitis和Bridges数据集上，实验结果表明，基于Fibonacci优化理论的ELM分类方法性能得到提升，并相对传统的SVM算法、BP和Bayes算法的分类精度较高