Алгоритм искусственной пчелиной колонии для оптимизации машины экстремального обучения с глубоким обучением и его реализация в Matlab
Машина экстремального обучения с глубоким обучением — одна из популярных моделей в области глубокого обучения, но параметры ее модели необходимо настраивать вручную, а ее производительность обобщения для конкретных наборов данных низкая. В этой статье предлагается улучшенная машина экстремального обучения с глубоким обучением, основанная на алгоритме искусственной пчелиной колонии (ABC) для задач классификации данных.
Этот алгоритм использует преимущества алгоритма ABC и автоматически выводит лучшие гиперпараметры и структуры модели без предварительного знания. В то же время он использует адаптивный вес инерции и операцию перевода, что увеличивает скорость поиска и улучшает сходимость. В частности, алгоритм ABC применяется для улучшения таких параметров, как элемент регуляризации L2 и количество узлов скрытого слоя в модели ELM, а выбор модели завершается посредством оптимизации роя частиц.
Для удобства читателей, чтобы понять и реализовать, мы дали полный код Matlab в этой статье. В частности, код включает в себя класс ABC, класс ELM, класс классификации и другие части, среди которых часть класса классификации в основном предназначена для реализации задачи классификации в рамках алгоритма ABC. Читатели могут найти полный код реализации в дополнительных материалах этой статьи, а также модифицировать и использовать его в соответствии со своими потребностями.
В заключение, наш метод протестирован на серии наборов данных, демонстрируя его лучшую производительность и надежность по сравнению с традиционными усовершенствованными методами на основе ELM и PSO. Следовательно, алгоритм ABC, предложенный в этой статье, может быть использован в качестве эффективного средства для оптимизации модели глубокого обучения.
Приложение: матлаб код