论文部分内容阅读
单隐层前馈神经网络(SLFN)以其良好的学习能力在诸多领域中得到了广泛的应用,然而SLFN需要权值和阈值的迭代修正,因此SLFN固有的训练速度慢、泛化性能差等一些缺点,成为限制其发展应用的主要瓶颈。极限学习机(ELM)算法是一种较新的SLFN,ELM随机产生输入层与隐含层的连接权值以及隐含层神经元的阈值,该算法具有学习速度快、泛化性能好等优点,核极限学习机(KELM)是将核函数引入极限学习机中,是一种比常规ELM模型鲁棒性更强、泛化性能更好的决策模型。然而KELM在实际应用中,其性能受到模型中的重要参数所影响。本文对KELM的模型选择问题,即核参数优化和特征选择等问题展开研究,提出了基于以群智能优化算法为基础的KELM模型选择方法及其在金融破产预测与疾病智能诊断中的应用。群智能算法是借鉴自然界中的生物的群体猎食行为抽象出的计算方法。灰狼优化算法(GWO)、飞蛾优化算法(MFO)和鲸鱼优化算法(WOA)作为新的智能优化方法,因具有较强的全局搜索能力,受到科学研究者和工程技术人员的广泛关注。为了进一步提升群智能算法在KELM模型选择方面的能力,本文特此提出了基于反向学习的GWO算法、混沌MFO算法和多种群WOA算法,并分别对KELM模型进行参数优化和特征选择,从而构建了多种针对特定问题的智能决策模型BGWO-KELM、CMFO-KELM和MWOA-KELM。本文的主要工作包括以下几个方面:(1)提出了基于反向学习策略的灰狼优化算法(BGWO),从而提升了GWO在搜索过程中的种群多样性。通过迭代式求解搜索空间中具有最佳适应度函数值的灰狼完成对KELM的训练,从而构建基于BGWO算法优化的KELM决策模型(BGWO-KELM),此外本文还提出了基于BGWO算法的特征选择方案(BGWOFS-KELM),并将该模型成功应用于企业破产预测。(2)提出了基于混沌理论的飞蛾优化算法(CMFO),以混沌函数序列值完成MFO算法种群初始化,从而增加初始种群的多样性,并在算法的搜索过程中引进混沌干扰机制,使得飞蛾跳出局部最优。随后,本文将CMFO算法应用于KELM参数优化问题并同时完成特征选择(CMFOFS-KELM),最终该模型被成功应用于疾病智能诊断。(3)提出了基于多种群思想的WOA算法(MWOA),对鲸鱼群体按照K-means方式进行划分为多个独立的子种群,各个子种群之间通过信息沟通进行协作搜索。最后将MWOA算法应用于KELM模型参数优化和特征选择问题,且成功的应用于疾病智能诊断问题。