狮群优化核极限学习机的分类算法 狮群调整战术

论

文

赏

析

2022年电子技术应用第2期

刘新建，孙中华

武汉烽火信息集成技术有限公司，湖北 武汉430074

在核极限学习机(Kernel Based Extreme Learning Machine，KELM)分类应用的基础上，结合狮群算法(Loin Swarm Optimization，LSO)强全局寻优能力与收敛快的特性，提出一种LSO优化KELM算法。将测试准确率作为LSO优化KELM的适应度函数，根据移动位置获取最优适应度值进行数据分类测试的评价标准。采用UCI数据集仿真测试，实验结果表明，较KELM分类，LSO优化KELM可获得更优的分类准确率；较麻雀搜索算法(Sparrow Search Algorithm，SSA)优化KELM，LSO优化KELM收敛速度快，分类性能更优。

核极限学习机，狮群算法，麻雀搜索算法

图像分类是图像领域的研究热点之一，研究者对于不同场景的图像采用不同的算法进行研究。极限学习机(Extreme Learning Machine，ELM)有效避免了传统前馈神经网络训练的劣势，基于学习速度快、泛化性能好等优势应用于图像分类领域。文献[1]采用改进蝙蝠算法优化极限学习机进行图像分类，提高分类准确率的基础上加快了分类速度；文献[2]采用萤火虫算法(Firefly Algorithm，FA)优化极限学习机对遥感影响进行分类，FA优化算法高于传统的遗传算法(Genetic Algorithm，GA)和粒子群算法(Particle Swarm Optimization，PSO)优化方法；文献[3]采用鱼群算法优化极限学习机，可获得更好的分类效果；文献[4]采用局部信息保持极限学习机，在分类性能上优于KELM算法；文献[5]、[6]采用多核多特征进行重构ELM，提高了准确性和完整性。综上，较ELM，采用群智能优化算法可获得更好的分类效果。KELM采用核函数来取代ELM的内积运算，增加了函数逼近能力，提高了非线性分类能力。文献[7]采用核极限学习机应用于脉象分类问题，较反向传播算法(Back Propagation，BP)和支持向量机算法(Support Vector Machine，SVM)提高了分类准确性。文献[8]采用核极限学习机可获得乳腺良恶性肿块样病变数据的分类准确率。

文献[9]指出LSO比PSO算法具有收敛速度快、精度高的特点，可获得全局最优解。文献[10]、[11]指出狮群算法优化传统算法，可获得更高精度。本文在KELM良好的分类性能基础上，结合LSO的寻优能力，提出LSO优化KELM算法(简称LKELM)，并采用UCI数据集进行仿真测试，以检验分类精度的提高程度。