【ElM分类】基于海鸥算法优化ElM神经网络实现数据分类附matlab代码

1 简介

​为了提高极限学习机(ELM)数据分类的精度,提出了海鸥算法(SOA)的ELM分类器参数优化方法(SOA-KELM),将CV训练所得多个模型的平均精度作为SOA的适应度评价函数,为ELM的参数优化提供评价标准,用获得SOA优化最优参数的ELM算法进行数据分类.利用UCI中数据集进行仿真.

2 部分代码

function[Score,Position,Convergence]=SOA(Search_Agents,Max_iterations,Lower_bound,Upper_bound,dimension,objective)
Position=zeros(1,dimension);
Score=inf;
Positions=init(Search_Agents,dimension,Upper_bound,Lower_bound);
Convergence=zeros(1,Max_iterations);
l=0;
while l<Max_iterations
for i=1:size(Positions,1)
Flag4Upper_bound=Positions(i,:)>Upper_bound;
Flag4Lower_bound=Positions(i,:)<Lower_bound;
Positions(i,:)=(Positions(i,:).*(~(Flag4Upper_bound+Flag4Lower_bound)))+Upper_bound.*Flag4Upper_bound+Lower_bound.*Flag4Lower_bound;
fitness=objective(Positions(i,:));
if fitness<Score
Score=fitness;
Position=Positions(i,:);
end
end
Fc=2-l*((2)/Max_iterations);
for i=1:size(Positions,1)
for j=1:size(Positions,2)
r1=rand();
r2=rand();
A1=2*Fc*r1-Fc;
C1=2*r2;
b=1;
ll=(Fc-1)*rand()+1;
D_alphs=Fc*Positions(i,j)+A1*((Position(j)-Positions(i,j)));
X1=D_alphs*exp(b.*ll).*cos(ll.*2*pi)+Position(j);
Positions(i,j)=X1;
end
end
l=l+1;
Convergence(l)=Score;
end

3 仿真结果

4 参考文献

[1]陈愿愿, 杨晓, 邓小江,等. 海鸥优化算法在四川盆地渝西区块H井区页岩气储层最优化测井解释中的应用[J]. 地球科学进展, 2020(7):8.

博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。

部分理论引用网络文献，若有侵权联系博主删除。