杜帮俊，陆慧娟，严　珂，郑文斌

(中国计量大学 信息工程学院,浙江 杭州 310018)



PSO和Cholesky分解的KELM的基因表达数据分类

杜帮俊，陆慧娟，严珂，郑文斌

(中国计量大学 信息工程学院,浙江 杭州 310018)

【摘要】核极限学习机(KELM)可使低维空间中线性不可分的数据变得线性可分，增加了ELM算法的鲁棒性，但KELM算法的输入权值参数采用随机初始化，容易导致算法不稳定.为此,本研究提出用粒子群优化算法对KELM中的权值初始参数进行优化、设定，以得到优化的分类器PSO-KELM.由于该算法输出权值求解采用传统的矩阵求逆运算，导致计算复杂，因此再对KELM的输出权值采用Cholesky分解进行优化.经一些标准基因数据集的实验表明，提出的PSO-KELM算法与已有的ELM、KELM、PSO-ELM相比分类精度更高，适用于基因表达数据分类.

【关键词】核极限学习机；粒子群优化算法；Cholesky分解；基因表达数据分类

传统的基于梯度下降的神经网络算法(如BP神经网络)已经被广泛应用于多层前馈神经网络的训练中，但是该网络存在学习速度慢、容易陷入局部极小，存在过训练现象[1].针对这些问题，Huang等[2]在2004年提出了一种新型前馈神经网络，即极限学习机(extreme learning machine, ELM)，它具有结构简单、训练速度快、参数调整少等特点.

2012年，Huang等人[3]在ELM基础上加入核函数，提出了一种核极限学习机(kernel extreme learning machine，KELM)，通过一个核函数将数据从低维空间映射到高维空间中，使得在低维空间中线性不可分的数据变得线性可分，在提高学习精度的同时增加算法的鲁棒性.与ELM相比，KELM具有更好的鲁棒性，在样本……