基于进化多目标优化的极限学习机

提出用于广义单隐藏前馈神经网络的极限学习机(ELM)由于其学习速度快,良好的泛化能力和易于实现而成为热门的研究主题。 但是,ELM在隐藏层中会遇到冗余和随机性,这是由特征的随机映射引起的。 在ELM中,尽管进化算法已归档了令人印象深刻的改进,但他们并未考虑隐藏层的稀疏性。 提出了一种混合学习算法,称为EMO-ELM,它采用进化多目标算法同时优化两个冲突目标。 此外,该方法可用于监督分类和非监督稀疏特征提取任务。 在许多UCI数据集上的仿真表明,在分类任务中,EMO-ELM通常优于原始的ELM.algorithm以及几种ELM变体。在稀疏特征提取任务中,EMO-ELM的性能优于PCA。