基于量子遗传优化的改进极限学习机及应用

摘要

主要研究的是神经网络的一种新型训练方式——极限学习机算法的优化和改进。首先通过与传统的神经网络算法的对比,介绍极限学习机算法的主要思想和流程,展现其特点及优势;其次,由于常规极限学习机在预测的精度上及运用的稳定上存在不小的缺陷,通过阐述几个智能寻优算法及优缺点比较,引出该文的重点量子遗传算法,并利用此算法去优化极限学习机的连接权值和阈值,选取最优的权值和阈值赋予测试网络,达到良好的使用效果;最后,介绍了改进极限学习机算法在MATLAB上进行实验仿真及结果分析的步骤与流程,实验结果说明改进后的算法相比于经典算法在回归问题的预测上有优势,预测精度更高,且结果更稳定;在分类问题的处理上,准确性也具有压倒性优势。