11、基于花卉授粉算法改进的极限学习机调优

基于花卉授粉算法改进的极限学习机调优

在当今的算法领域，对更快、更准确算法的需求始终存在。本文提出了一种名为 FPA - ELM 的强大模型，它将极限学习机（ELM）与花卉授粉算法（FPA）相结合。通过对十六个基准问题的模拟结果表明，FPA - ELM 算法在准确性、训练速度、潜在节点数量和稳定性方面均优于其他算法。

极限学习机（ELM）概述

ELM 由 Huang 等人首次设计，用于通过单隐层前馈神经网络（SLFNs）处理回归和分类问题。它主要由特征映射和参数学习两部分组成。
- 特征映射 ：
- 对于训练集 ( TTT = {(\mathbf{x} s, \mathbf{t}_s)} {s = 1}^{\tilde{N}} )，其中 ( \mathbf{x} s ) 是 ( n ) 维输入向量，( \mathbf{t}_s ) 是 ( m ) 维期望向量。ELM 的输出节点可通过 ( O(\mathbf{x}_s) = \sum {k = 1}^{L} \boldsymbol{\beta}_k \cdot h_k(\mathbf{x}_s) = H(\mathbf{x}_s) \cdot B ) 生成。
- 这里 ( O ) 是 ( m ) 维输出向量，( H ) 是 ( L ) 维潜在向量，( B ) 是输出权重向量。不同的激活函数可用于隐藏层的不同节点，常见的激活函数如下表所示：
| 函数名称 | 函数类型 |
| — | — |
| Sigmoid | ( G(w, b, x) = \frac{1}{1 + e^{-w \cdot x - b}} )