文献类型：期刊文章

作　　者：陈晓青[1] 陆慧娟[1] 郑文斌[1] 严珂[1]

机构地区：[1]中国计量大学信息工程学院,杭州310018

出　　处：《计算机应用》

基　　金：国家自然科学基金资助项目(61272315);浙江省自然科学基金资助项目(LY14F020041);国家安全总局项目(zhejiang-00062014AQ)~~

年　　份：2016

卷　　号：36

期　　号：11

起止页码：3123-3126

语　　种：中文

收录情况：AJ、BDHX、BDHX2014、CSA、CSA-PROQEUST、CSCD、CSCD_E2015_2016、IC、INSPEC、JST、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：针对极限学习机(ELM)在处理非线性数据时效果不理想,并且ELM的参数随机化不利于模型泛化的特点,提出了一种改进的极限学习机算法。结合自适应混沌粒子群(ACPSO)算法对ELM的参数进行优化,以增强算法的稳定性,提高ELM对基因表达数据分类的精度。在UCI基因数据集上进行仿真实验,实验结果表明,与探测粒子群-极限学习机(DPSO-ELM)、粒子群-极限学习机(PSO-ELM)等算法相比,自适应混沌粒子群-极限学习机(ACPSOELM)算法具有较好的稳定性、可靠性,且能有效提高基因分类精度。

关 键 词：自适应 极限学习机 混沌粒子群 基因分类  

分 类 号：TP181]