基于加權(quán)投票的集成在線順序極限學(xué)習(xí)機(jī)及其應(yīng)用.pdf

1、單個(gè)分類(lèi)器在解決一些復(fù)雜問(wèn)題時(shí)，往往得不到理想的處理效果，而將多個(gè)分類(lèi)器組合在一起構(gòu)建的集成系統(tǒng)通常能獲得比單個(gè)分類(lèi)器更優(yōu)的穩(wěn)定性和泛化能力。本文在分析集成極限學(xué)習(xí)機(jī)存在的缺陷的基礎(chǔ)上，提出了一種基于加權(quán)投票的集成在線順序極限學(xué)習(xí)機(jī)。該方法在優(yōu)選單個(gè)極限學(xué)習(xí)機(jī)基礎(chǔ)上進(jìn)行有效集成，進(jìn)一步提高了集成分類(lèi)器的性能。結(jié)合基因表達(dá)譜數(shù)據(jù)特性，將改進(jìn)的集成在線順序極限學(xué)習(xí)機(jī)用于基因表達(dá)譜數(shù)據(jù)分類(lèi)，獲得了很高的癌癥預(yù)測(cè)準(zhǔn)確率。本文的主要工作如下:

2、r>　　 1)提出了一種優(yōu)選成員極限學(xué)習(xí)機(jī)的方法。高性能的成員分類(lèi)器有利于提高集成分類(lèi)器系統(tǒng)的性能。本文首先將訓(xùn)練集按一定比例分為訓(xùn)練集和驗(yàn)證集，用這兩個(gè)數(shù)據(jù)集來(lái)訓(xùn)練在線順序極限學(xué)習(xí)機(jī)，然后將各個(gè)在線順序極限學(xué)習(xí)機(jī)在驗(yàn)證集上的分類(lèi)準(zhǔn)確率從大到小排列，選擇其中分類(lèi)準(zhǔn)確率較大的在線順序極限學(xué)習(xí)機(jī)來(lái)構(gòu)建集成系統(tǒng)。
　　 2)針對(duì)傳統(tǒng)的利用平均值法作為集成決策的集成在線順序極限學(xué)習(xí)機(jī)在實(shí)際應(yīng)用中往往無(wú)法獲得較高的識(shí)別率，提出一種基于在

3、驗(yàn)證集上的分類(lèi)準(zhǔn)確率的加權(quán)投票的集成在線順序極限學(xué)習(xí)機(jī)(IEOS-ELM)。該方法將單個(gè)在線順序極限學(xué)習(xí)機(jī)在訓(xùn)練過(guò)程的分類(lèi)準(zhǔn)確率占總的分類(lèi)準(zhǔn)確率的比重作為該在線順序極限學(xué)習(xí)機(jī)的集成投票權(quán)重。在四個(gè)標(biāo)準(zhǔn)分類(lèi)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，這種方法能夠以較少的成員學(xué)習(xí)機(jī)獲得更高的識(shí)別率。
　　 3)提出了基于微粒群算法和IEOS-ELM的基因表達(dá)譜數(shù)據(jù)分類(lèi)方法。針對(duì)基因表達(dá)譜數(shù)據(jù)的特性，利用微粒群算法對(duì)成員在線順序極限學(xué)習(xí)機(jī)進(jìn)行初選，再利用