【DELM分类】基于天鹰算法改进深度学习极限学习机实现数据分类附matlab代码

最新推荐文章于 2023-03-31 11:34:01 发布

天天Matlab代码科研顾问

最新推荐文章于 2023-03-31 11:34:01 发布

阅读量18

点赞数

文章标签：算法分类深度学习数据挖掘人工智能

本文链接：https://blog.csdn.net/m0_57702748/article/details/140030022

版权

1 简介

人工神经网络的最大缺点是训练时间太长从而限制其实时应用范围,近年来,极限学习机(Extreme Learning Machine, ELM)的提出使得前馈神经网络的训练时间大大缩短,然而当原始数据混杂入大量噪声变量时,或者当输入数据维度非常高时,极限学习机算法的综合性能会受到很大的影响.深度学习算法的核心是特征映射,它能够摒除原始数据中的噪声,并且当向低维度空间进行映射时,能够很好的起到对数据降维的作用,因此我们思考利用深度学习的优势特性来弥补极限学习机的弱势特性从而改善极限学习机的性能.为了进一步提升DELM预测精度，本文采用麻雀搜索算法进一步优化DELM超参数，仿真结果表明，改进算法的预测精度更高。

【DELM分类】基于天鹰算法改进深度学习极限学习机实现数据分类附matlab代码_神经网络

【DELM分类】基于天鹰算法改进深度学习极限学习机实现数据分类附matlab代码_原始数据_02

【DELM分类】基于天鹰算法改进深度学习极限学习机实现数据分类附matlab代码_原始数据_03

【DELM分类】基于天鹰算法改进深度学习极限学习机实现数据分类附matlab代码_深度学习_04

【DELM分类】基于天鹰算法改进深度学习极限学习机实现数据分类附matlab代码_深度学习_05

【DELM分类】基于天鹰算法改进深度学习极限学习机实现数据分类附matlab代码_神经网络_06

【DELM分类】基于天鹰算法改进深度学习极限学习机实现数据分类附matlab代码_深度学习_07

【DELM分类】基于天鹰算法改进深度学习极限学习机实现数据分类附matlab代码_原始数据_08

【DELM分类】基于天鹰算法改进深度学习极限学习机实现数据分类附matlab代码_原始数据_09

【DELM分类】基于天鹰算法改进深度学习极限学习机实现数据分类附matlab代码_深度学习_10

2 部分代码


          
          
           
           %_______________________________________________________________________________________%
           
           
%_______________________________________________________________________________________%
           
           
function [Best_FF,Best_P,conv]=AO(N,T,LB,UB,Dim,F_obj)
           
           
Best_P=zeros(1,Dim);
           
           
Best_FF=inf;
           
           
X=initialization(N,Dim,UB,LB);
           
           
Xnew=X;
           
           
Ffun=zeros(1,size(X,1));
           
           
Ffun_new=zeros(1,size(Xnew,1));
           
           
t=1;
           
           
alpha=0.1;
           
           
delta=0.1;
           
           
while t<T+1
           
           
    for i=1:size(X,1)
           
           
        F_UB=X(i,:)>UB;
           
           
        F_LB=X(i,:)<LB;
           
           
        X(i,:)=(X(i,:).*(~(F_UB+F_LB)))+UB.*F_UB+LB.*F_LB;
           
           
        Ffun(1,i)=F_obj(X(i,:));
           
           
        if Ffun(1,i)<Best_FF
           
           
            Best_FF=Ffun(1,i);
           
           
            Best_P=X(i,:);
           
           
        end
           
           
    end
           
           
    G2=2*rand()-1; % Eq. (16)
           
           
    G1=2*(1-(t/T));  % Eq. (17)
           
           
    to = 1:Dim;
           
           
    u = .0265;
           
           
    r0 = 10;
           
           
    r = r0 +u*to;
           
           
    omega = .005;
           
           
    phi0 = 3*pi/2;
           
           
    phi = -omega*to+phi0;
           
           
    x = r .* sin(phi);  % Eq. (9)
           
           
    y = r .* cos(phi); % Eq. (10)
           
           
    QF=t^((2*rand()-1)/(1-T)^2); % Eq. (15)
           
           
        %-------------------------------------------------------------------------------------
           
           
    for i=1:size(X,1)
           
           
        %-------------------------------------------------------------------------------------
           
           
        if t<=(2/3)*T
           
           
            if rand <0.5
           
           
                Xnew(i,:)=Best_P(1,:)*(1-t/T)+(mean(X(i,:))-Best_P(1,:))*rand(); % Eq. (3) and Eq. (4)
           
           
                Ffun_new(1,i)=F_obj(Xnew(i,:));
           
           
                if Ffun_new(1,i)<Ffun(1,i)
           
           
                    X(i,:)=Xnew(i,:);
           
           
                    Ffun(1,i)=Ffun_new(1,i);
           
           
                end
           
           
            else
           
           
                %-------------------------------------------------------------------------------------
           
           
                Xnew(i,:)=Best_P(1,:).*Levy(Dim)+X((floor(N*rand()+1)),:)+(y-x)*rand;       % Eq. (5)
           
           
                Ffun_new(1,i)=F_obj(Xnew(i,:));
           
           
                if Ffun_new(1,i)<Ffun(1,i)
           
           
                    X(i,:)=Xnew(i,:);
           
           
                    Ffun(1,i)=Ffun_new(1,i);
           
           
                end
           
           
            end
           
           
            %-------------------------------------------------------------------------------------
           
           
        else
           
           
            if rand<0.5
           
           
                Xnew(i,:)=(Best_P(1,:)-mean(X))*alpha-rand+((UB-LB)*rand+LB)*delta;   % Eq. (13)
           
           
                Ffun_new(1,i)=F_obj(Xnew(i,:));
           
           
                if Ffun_new(1,i)<Ffun(1,i)
           
           
                    X(i,:)=Xnew(i,:);
           
           
                    Ffun(1,i)=Ffun_new(1,i);
           
           
                end
           
           
            else
           
           
                %-------------------------------------------------------------------------------------
           
           
                Xnew(i,:)=QF*Best_P(1,:)-(G2*X(i,:)*rand)-G1.*Levy(Dim)+rand*G2; % Eq. (14)
           
           
                Ffun_new(1,i)=F_obj(Xnew(i,:));
           
           
                if Ffun_new(1,i)<Ffun(1,i)
           
           
                    X(i,:)=Xnew(i,:);
           
           
                    Ffun(1,i)=Ffun_new(1,i);
           
           
                end
           
           
            end
           
           
        end
           
           
    end
           
           
    %-------------------------------------------------------------------------------------
           
           
    if mod(t,100)==0
           
           
        display(['At iteration ', num2str(t), ' the best solution fitness is ', num2str(Best_FF)]);
           
           
    end
           
           
    conv(t)=Best_FF;
           
           
    t=t+1;
           
           
end
           
           
end
           
           
function o=Levy(d)
           
           
beta=1.5;
           
           
sigma=(gamma(1+beta)*sin(pi*beta/2)/(gamma((1+beta)/2)*beta*2^((beta-1)/2)))^(1/beta);
           
           
u=randn(1,d)*sigma;v=randn(1,d);step=u./abs(v).^(1/beta);
           
           
o=step;
           
           
end