English
Local Coupled Extreme Learning Machine Based on Particle Swarm Optimization
文件大小：
880k
资源说明：本文介绍了一种新的基于粒子群优化算法（Particle Swarm Optimization, PSO）的局部耦合极端学习机（Local Coupled Extreme Learning Machine, LC-ELM）的智能优化策略。在此方法中，输入层与隐藏层之间的权重和偏置值，以及局部耦合参数中的地址和半径大小，都是基于粒子群优化算法来确定和优化的。通过与其他几种网络结构相同或紧凑配置的算法（如极端学习机ELM和基于粒子优化的ELM，PSO-ELM）在回归和分类基准问题上的仿真结果比较，提出的LC-PSO-ELM算法展现出了改善的泛化性能和鲁棒性。
文章的标题“Local Coupled Extreme Learning Machine Based on Particle Swarm Optimization”涵盖了以下知识点：
1. 局部耦合极端学习机（LC-ELM）：这是一种改进的单隐藏层前馈神经网络（Single-hidden layer feed-forward neural networks, SLFNs），其关键特性是在模型中引入了局部耦合结构。通过耦合结构的局部化，可以更有效地捕捉数据的局部特征，提高学习性能。
2. 粒子群优化（PSO）：PSO是一种基于群体智能的优化技术，通过模拟鸟群的社会行为来解决优化问题。粒子群优化算法中，每个粒子代表问题空间中的一个潜在解，通过迭代搜索过程来优化问题。粒子的位置更新是根据个体经验（自身最佳位置）和群体经验（群体中最佳位置）来进行的。
3. 极端学习机（ELM）：ELM是一种用于SLFNs的快速学习算法，由Huang等人于2006年提出。ELM算法的核心在于随机选择输入层到隐藏层的权重和偏置，然后根据普通最小二乘法确定隐藏层到输出层的权重。ELM算法因为训练速度快和良好的泛化能力而受到关注。
文章的描述部分提到了LC-ELM相较于传统学习方法具有明显的优势，在于其学习速度，而在改善泛化性能和鲁棒性方面，结合了PSO算法的LC-PSO-ELM则进一步提高了网络的表现。这里涉及的知识点包括了对传统SLFNs学习方法的局限性，以及针对这些局限性所提出的快速学习算法ELM的优缺点。
文章的标签指出了其作为研究论文的性质，这通常意味着文章将深入探讨该主题的理论和实验研究结果。此外，研究论文通常会包含严谨的方法论、详实的实验设计、数据收集和分析过程以及对实验结果的讨论和结论。
综上，文章所涉及的知识点集中在使用PSO算法来优化LC-ELM中的参数，旨在提高神经网络模型的训练效率和预测准确性。由于文档内容的扫描识别技术原因，文档中可能含有少量文字识别错误或遗漏，但总体上已经尽力确保文章内容的通顺性。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
