【ElM分类】基于遗传算法优化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)的分类正确率,采用遗传算法对惩罚系数,宽度参数两个参数进行优化.首先,根据乳腺良恶性肿瘤数据库训练集并利用遗传算法优化核极限学习机;然后,通过GA-ELM和ELM对测试集进行分类诊断;最后,对比分析GA-ELM和ELM的分类性能,测试结果表明,GA-ELM的总体诊断正确率相较于ELM提高了10%,且恶性肿瘤的诊断正确率明显优于ELM.

2 部分代码

%子程序：计算适应度函数, 函数名称存储为fitnessfun function
function [Fitvalue,cumsump]=fitnessfun(population);
global BitLength
global boundsbegin
global boundsend
popsize=size(population,1); %计算个体个数
for i=1:popsize
x=transform2to10(population(i,:)); %将二进制转换为十进制
%转化为[-1,1]区间的实数
xx=boundsbegin+x*(boundsend-boundsbegin)/(power(2,BitLength)-1);
Fitvalue(i)=targetfun(xx); %计算函数值，即适应度
end
%给适应度函数加上一个大小合理的数以便保证种群适应值为正数
Fitvalue=Fitvalue';
%计算选择概率
fsum=sum(Fitvalue);
Pperpopulation=Fitvalue/fsum; %适应度归一化
%计算累积概率
cumsump(1)=Pperpopulation(1) ;
for i=2:popsize
cumsump(i)=cumsump(i-1)+Pperpopulation(i) ;%求累计概率
end
cumsump=cumsump' ; %累计概率
end

3 仿真结果

​4 参考文献

[1]姚鹏. 基于遗传算法的加权ELM分类模型中权重学习[D]. 深圳大学, 2018.

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。