夏平凡，倪志伟，朱旭辉，倪丽萍，彭鹏

1. 合肥工业大学管理学院,合肥 230009;2. 合肥工业大学 过程优化与智能决策教育部重点实验室, 合肥 230009

出版日期:2021-03-25发布日期:2021-06-22

Selective Ensemble Approach Based on Reverse Binary Glowworm Swarm Optimization and Diversity Measure

XIA Pingfan, NI Zhiwei, ZHU Xuhui, NI Liping, PENG Peng

1. School of Management, Hefei University of Technology, Hefei 230009; 2. Key Laboratory ofProcess Optimization and Intelligent Decision-Making, Ministry of Education, Hefei 230009

Online:2021-03-25Published:2021-06-22







摘要
图/表
参考文献
相关文章
编辑推荐
-->Metrics
本文评论

选择性集成学习可以使用较少数目的基分类器, 提高集成分类能力. 基分类器间的差异性和平均精度是影响集成性能的两个重要指标. 当集成系统中基分类器间差异性较大时, 则其平均精度较小; 当基分类器的平均精度较大时, 则其差异性较小. 故二者之间的平衡状态可使集成性能达到 最优. 为了寻找该平衡状态, 提出一种基于反向二元萤火虫算 法和差异性测度的选择性集成方法 (RBGSODSEN). 首先, 采用 Bootstrap抽样方法独立训练出多个基极限学习机(extreme learning machine, ELM), 构 建原始基ELM池; 其次, 采用差异性测度对原始基ELM池进行预选择, 选择部 分差异性和预测精度均较优的基ELM, 剔除综合性能较差的基ELM, 降低选择 性集成的计算复杂度; 接着, 改进萤火虫的位置更新方式, 引入反向搜索、 协同进化和随机变异机制, 提出一种反向二元萤火虫算法 (RBGSO); 最 后, 采用RBGSO对预选择后剩下的基ELM进行二次选择, 选择出集成性 能最优的基ELM子集成. 在25个标准数据集上的实验结果表明, 与其他 选择性集成方法相比较, RBGSODSEN选择了较少规模的基ELM, 取得了 更优的预测性能, 具有较好的稳定性、有效性和显著性.
分享此文:

()

No related articles found!

-->

PDF全文下载地址:

http://sysmath.com/jweb_xtkxysx/CN/article/downloadArticleFile.do?attachType=PDF&id=14161