用模糊积分集成重复训练极限学习机的数据分类方法

摘要

用极限学习机重复训练单隐含层前馈神经网络可得到不同的网络模型.受极限学习机这一特点的启发,提出了一种用模糊积分集成重复训练极限学习机的数据分类方法.该方法分为3步:第1步,用极限学习机重复训练单隐含层前馈神经网络.在训练时,不仅输入层权值和隐含层结点的偏置随机生成,隐含层结点的个数也随机生成.第2步,用软最大化函数将训练的单隐含层前馈神经网络的输出变换为后验概率分布.第3步,用模糊积分集成重复训练的单隐含层前馈神经网络,并用于数据分类.提出的方法具有2个优点:1)网络模型具有良好的多样性,理由是重复训练得到的单隐含层前馈神经网络具有不同的结构和不同的参数.2)具有良好的泛化能力,理由是模糊积分能很好地刻画基本分类器之间的交互作用.此外,提出的方法提供了一种网络结构选择的替代方案,利用提出的方法解决实际问题时,可以不用考虑网络结构选择问题.与其他2个算法在10个数据集上进行了实验比较,实验结果及对实验结果的统计分析显示提出的算法在分类精度上优于这2种算法.