一种改进的极限学习机算法

　　前馈神经网络能够通过输入样本逼近复杂的非线性映射，因此在很多领域都有应用，但是存在学习速度慢、容易陷入局部收敛和在不同场合其参数难以调解等复杂问题，以致其发展受限。为解决这些问题，2006年Huang提出一种新型单隐层前馈神经网络——极限学习机（ Extreme Leaming　Machine．ELM），通过核函数将数据从低维空间映射到高维空间中，处理非线性数据，但是参数随机产生使结果存在一定的随机性，因此容易产生较差的分类效果。1995年James　Kennedy和Russel Eberhart提出粒子群（Particle Swarm　Optimization，PSO）算法，该方法是基于群体演化的随机全局优化的一种智能优化算法，其中心思想是对鸟群或鱼群合作捕食行为的研究。在优化复杂函数时，PSO算法的搜索精度不能达到要求，且易陷入局部最优的状况，到搜索后期经常会出现震荡情况。2009年，Lei等M1提出了基于混沌序列的粒子群优化算法，通过引入混沌序列增强了算法的全局搜索能力。2012年，Han等。5 0提出了用PSO算法对ELM进行优化，通过优化ELM的输入层权值及隐藏层偏差，得到一伞最优的网络。2015年，Yang等提出基于Tent混沌序列的PSO算法，在增强全局搜索能力的基础上有效地避免了算法的盲目性，提高了算法收敛速度。

　　本文通过分析ELM的缺点，提出一种新的自适应混沌粒子群一极限学习机（Adaptive Chaotic Particle Swarm　Optimization-Extreme Leaming Machine，ACPSO-ELM）分类器。在该算法中，首先通过ELM对给定的数据进行初始化，产生一组输入权值和隐藏层偏置，再通过ACPSO算法寻找最优输入权值和隐藏层偏置，最后将得到的结果代入ELM中训练。