叶松林
- 作品数：2 被引量：2H指数：1
- 供职机构：江苏大学计算机科学与通信工程学院更多>>
- 发文基金：国家自然科学基金江苏省自然科学基金更多>>
- 相关领域：自动化与计算机技术更多>>
- 一种改进的集成在线顺序极限学习机被引量：1
- 2013年
- 针对传统的集成在线顺序极限学习机在集成决策时忽略各个学习机的分类性能而平均设置集成权重,导致集成系统分类准确率较低且不稳定,就此提出一种新的集成规则。在改进的方法中,首先根据每个在线顺序极限学习机在验证集上的分类准确率对被集成的学习机进行筛选;其次,再根据每个被集成进来的学习机在验证集上的分类准确率设置该学习机的集成投票权重。在四个标准分类数据集上的实验结果表明,本文提出的集成在线顺序极限学习机能够以更高的稳定性获得更高的分类准确率。
- 付倩韩飞叶松林
- 关键词：准确率稳定性
- 基于成员相似性的集成极端学习机被引量：1
- 2014年
- 为了增大各成员间的差异度以改善集成系统的性能,提出了一种基于成员间相似性选择的集成极端学习机(ELM)。首先,筛选出分类性能较高的备选极端学习机;其次,根据成员间的相似性运用微粒群算法(PSO)进一步选出最优的集成成员集合。通过选出相似度低的极端学习机来提高集成成员间差异度,从而有效提高集成系统的分类能力。选出的成员学习机在不同的集成规则下都具有良好性能。在四个UCI数据集上的实验结果表明,与经典的集成极端学习机相比,基于成员相似性选择的集成极端学习机具有更优的泛化性能和稳定性。
- 叶松林韩飞赵敏汝
- 关键词：微粒群算法极端学习机泛化性能
