毛 羽， 毛 力， 杨 弘， 肖 炜

(1.轻工过程先进控制教育部重点实验室 江南大学 物联网工程学院，江苏 无锡 214122；2.中国水产科学研究院 淡水渔业研究中心，江苏 无锡 214081)

0 引 言

近年来，一种新型的前馈神经网络—极限学习机(extreme learning machine,ELM)被Huang G B等人提出[1～4]。由于ELM在训练之前可以随机产生连接权值以及阈值，克服了传统前馈神经网络的不足。ELM因其较快的学习速度和优良的泛化性能，引起了国内外广泛的研究和关注。ELM不仅仅适用于回归、拟合问题，还适用于分类、模式识别等领域，因此,得到了广泛的应用[5,6]。文献[4]指出，为了达到理想的精度，需要设置大量的隐含层节点。为此有学者使用智能优化算法结合ELM得到了很好的效果。

近年来，有学者使用了人工蜂群(artificial bee colony,ABC)算法对单隐含层前馈神经网络(single-hidden layer feedforward neural networks,SLFNs)的隐含层节点参数进行优化。文献[11]首次将ABC算法用于优化神经网络的连接权值和阈值，并得到了较好的效果；文献[12]使用了ABC算法对前馈神经网络的连接权值和阈值进行优化；文献[13]提出了ABC-反向传播(back propagation,BP)算法将ABC算法和BP算法进行结合，先使用ABC算法对前馈神经网络的隐含层节点参数进行优化，再使用BP算法对其进行微调。

本文在上述工作的基础上，提出了一种改进的ABC优化的极限学习机即差分进化与克隆算法改进人工蜂群优化的极限学习机(differential evolution ABC-ELM,DECABC-ELM)算法，在ABC的基础上，借鉴了差分进化(DE)算法的差分变异算子和免疫克隆算法的克隆扩增算子，ABC收敛速度慢、容易陷入局部最优解的缺点进行了改进，并使用DECABC算法优化SLFNs的隐含层节点参数，再使用Moore-Penrose(MP)广义逆求得SLFNs的输出权值。……