基于多层学习克隆选择的改进式增量型超限学习机算法.PDFVIP

第33 卷第3 期 控制 理 论 与 应 用 Vol. 33 No. 3 2016 年3 月 Control Theory Applications Mar. 2016 DOI: 10.7641/CTA.2016.50640 基基基于于于多多多层层层学学学习习习克克克隆隆隆选选选择择择的的的改改改进进进式式式增增增量量量型型型超超超限限限学学学习习习机机机算算算法法法 王 超 , 王建辉 , 顾树生 , 王 枭 , 张宇献 (1. 东北大学信息科学与工程学院, 辽宁沈阳110004; 2. 沈阳工业大学电气工程学院, 辽宁沈阳110870) 摘要: 针对增量型超限学习机(incremental extreme learning machine, I–ELM) 中大量冗余节点可导致算法学习效 率降低, 网络结构复杂化等问题, 提出基于多层学习(multi-learning)优化克隆选择算法(clone selection algorithm, CSA) 的改进式I–ELM. 利用Baldwinian learning操作改变抗体信息的搜索范围, 结合Lamarckian learning操作提高 CSA 的搜索能力. 改进后的算法能够有效控制I–ELM 的隐含层节点数, 使网络结构更加紧凑, 提高算法精度. 仿真结 果表明, 所提出的基于多层学习克隆选择的增量型核超限学习机(multi-learning clonal selection I–ELMK, MLCSI– ELMK)算法能够有效简化网络结构, 并保持较好的泛化能力, 较强的学习能力和在线预测能力. 关键词: 克隆选择算法; 鲍德温学习; 拉马克学习; 神经网络; 增量型超限学习机; 软计算 中图分类号: TP273 文献标识码: A Improved incremental extreme learning machine based on multi-learning clonal selection algorithm WANG Chao , WANG Jian-hui , GU Shu-sheng , WANG Xiao , ZHANG Yu-xian (1. College of Automation Science and Technology, Northeastern University, Shenyang Liaoning 110004, China; 2. School of Electrical Engineering, Shenyang University of Technology, Shenyang Liaoning 110870, China) Abstract: The great number of redundant nodes in an incremental extreme learning machine (I–ELM) may lower the learning efficiency of the algorithm, and complicate the network structure. To deal with this problem, we propose the improved I–ELM with kernel (I–ELMK) on the basis of