极限学习机的分类器集成模型研究

摘要：

将极限学习机算法与旋转森林算法相结合,提出了以ELM算法为基分类器并以旋转森林算法为框架的RF-ELM集成学习模型.在8个数据集上进行了3组预测实验,根据实验结果讨论了ELM算法中隐含层神经元个数对预测结果的影响以及单个ELM模型预测结果不稳定的缺陷;将RF-ELM模型与单ELM模型和基于Bagging算法集成的ELM模型相比较,由稳定性和预测精度的两组对比实验的实验结果表明,对ELM的集成学习可以有效地提高ELM模型的性能,且RF-ELM模型较其他两个模型具有更好的稳定性和更高的准确率,验证了RF-ELM是一种有效的ELM集成学习模型.

关键词：极限学习机、旋转森林、分类器集成、Bagging算法

所属期刊栏目：52

分类号：TP311(计算技术、计算机技术)

资助基金：国家自然科学基金71371091;辽宁省高等学校杰出青年学者成长计划LJQ2012027

在线出版日期：2016-07-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：121-125