基于改进乌鸦搜索算法的极限学习机分类算法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114511021A(43)申请公布日2022.05.17(21)申请号202210098429.3(22)申请日2022.01.27(71)申请人浙江树人学院（浙江树人大学）地址312303浙江省绍兴市柯桥区杨汛桥镇江夏路2016号(72)发明人刘半藤霍闪闪王柯陈友荣(74)专利代理机构绍兴市寅越专利代理事务所(普通合伙)33285专利代理师潘敏(51)Int.Cl.G06K9/62(2022.01)G06N3/00(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书5页附图2页(54)发明名称基于改进乌鸦搜索算法的极限学习机分类算法(57)摘要本发明涉及极限学习机分类算法技术领域，具体涉及基于改进乌鸦搜索算法的极限学习机分类算法；包括以下步骤：搭建ELM网络模型，采用ICSA算法，对ELM模型随机生成的输入权重和阈值进行优化通过引入AP值动态递变函数去平衡全局和局部搜索性能，引入莱维飞行搜索方法避免盲目搜索，引入多个体变因子加权学习方法保证种群多样性，引入邻代维度交叉方法增强最优个体藏食位置质量，避免获得局部最优值，从而实现准确预测结果。本发明弥补随机生成输入权重和阈值带来的一系列缺陷，提高ELM模型分类精度，并在对ELM模型参数进行优化时，基于传统CSA算法，通过引入AP值动态递变函数去平衡全局和局部搜索性能，引入莱维飞行搜索方法避免盲目搜索。CN114511021ACN114511021A权利要求书1/2页1.基于改进乌鸦搜索算法的极限学习机分类算法，其特征在于，包括以下步骤：搭建ELM网络模型，采用ICSA算法，对ELM模型随机生成的输入权重和阈值进行优化通过引入AP值动态递变函数去平衡全局和局部搜索性能，引入莱维飞行搜索方法避免盲目搜索，引入多个体变因子加权学习方法保证种群多样性，引入邻代维度交叉方法增强最优个体藏食位置质量，避免获得局部最优值，从而实现准确预测结果。2.根据权利要求1所述的基于改进乌鸦搜索算法的极限学习机分类算法，其特征在于，对于ELM模型随机生成的输入权重和阈值，采用ICSA寻优算法，自适应获取最优输入权重和阈值，其具体步骤如下所示：Step1：设置最大迭代次数itermax，随机初始化N个初始解(乌鸦位置)，计算初始乌鸦种群最佳位置和适应度，iter＝1；Step2：根据递变规则动态更新感知概率AP，实现局部和全局搜索性能之间的平衡，更新公式如下：Step3：采用莱维飞行搜索策略避免寻优方向盲目性，采用多个体变因子加权学习策略确保子代乌鸦可以同时向多个个体学习，改善种群多样性，相应数学表达为：i，iter+1i，iteriterj，iteriteriteri，iterj，iterx＝x+ri(1，d)×(λm+(1‑λ)b‑x)，rj≥AP(3)其中α为步长缩放因子，控制随机搜索范围，rα为区间(0,1)区间内的随机数，γ、σ服从标准正态分布，Γ(x)＝(x‑1)！，s为取值范围在[1,2]之间的常数，xi，iter+1为乌鸦i在第iteriter+1次迭代下的个体最优藏食位置，ri(1，d)是区间(0,1)之间的d维随机变量，λ为第iter次迭代时的加权学习因子，biter为第iter‑1代种群的最佳藏食位置；Step4：采用邻代维度交叉策略，估计并排序解之间的维度差，并进行交叉操作，交叉后更新位置；该更新策略的数学表达为：其中是乌鸦i在维度k第iter+1次迭代时交叉h次后所在位置，是乌鸦j和乌鸦i经过交叉后所在位置，k是相邻子代最优解维度差异序列中排序h大的维度角标(是维度差异)，h是执行交叉操作次数，是最大交叉次数，Rcross是维度交叉比例，表示乌鸦j和乌鸦i在第iter次迭代下经过交叉后所在位置的适应度值，f(xi，iter)表示乌鸦i在第iter次迭代下所在位置的适应度值；当高于f(xi，iter)时，乌鸦i的位置则更新为否则保持不变；2CN114511021A权利要求书2/2页Step5：判断是否满足最佳位置更新条件，满足则更新位置，否则不作任何变化；判断是否达到最大迭代次数，没有则返回Step2，迭代次数加一。3.根据权利要求2所述的基于改进乌鸦搜索算法的极限学习机分类算法，其特征在于，通过ICSA寻优算法获得最佳输入权重和阈值，将其作为ELM网络参数进行分类测试；具体步骤如下所示：Step1：构建ELM模型，定义ICSA算法和ELM模型相关参数；随机初始化N个初始解(乌鸦的位置)，生成的初始解维数为L×(n+1)，第一个维数为L×n，表示输入权重，剩下的L维表示隐含层阈值；Step2：利用步骤1得到的解在训练数据集上训练ELM模型，计算每个解的适应度值和最佳