摘  要 

2004 年，Huang等人提出了一類性能優(yōu)良的單隱層前向神經(jīng)網(wǎng)絡(luò)（SLFNs）學(xué)習(xí)算法，稱為極端學(xué)習(xí)機(jī)（ELM）。與一般的BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)相比，ELM具有較好的泛化性能、簡單易實(shí)現(xiàn)和學(xué)習(xí)速度快的優(yōu)點(diǎn)。同時，單個的ELM 在解決復(fù)雜的分類問題上效果并不理想。為了改善這些不足，研究者們將多個極端學(xué)習(xí)機(jī)集成起來，克服了單個ELM很難在復(fù)雜的分類問題上取得良好分類效果這一缺陷。在這個集成系統(tǒng)中，能夠充分發(fā)揮單個極端學(xué)習(xí)機(jī)之間的互補(bǔ)性，從而改善了單個極端學(xué)習(xí)機(jī)在分類問題上的泛化性能和魯棒性。

微粒群算法（PSO）具有容易理解和實(shí)現(xiàn)，并且計算量小、對適應(yīng)值函數(shù)要求寬泛以及全局搜索能力強(qiáng)等優(yōu)點(diǎn)。目前PSO算法已得到了廣泛的應(yīng)用。本文將PSO應(yīng)用于優(yōu)化集成極端學(xué)習(xí)機(jī)，該方法能夠有效提高集成分類器的準(zhǔn)確率。本文的主要工作如下：

1． 利用PSO優(yōu)化的集成極端學(xué)習(xí)機(jī)。準(zhǔn)確率高的集成分類器在穩(wěn)定性能和泛化性能上優(yōu)越于傳統(tǒng)的單一分類器