自适应混沌粒子群算法对极限学习机参数的优化

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