基于改进乌鸦搜索算法的极限学习机分类方法

针对极限学习机(ELM)输入权重和阈值随机生成导致模型泛化性能低下的问题,提出一种改进的乌鸦搜索优化算法训练ELM的方法,利用改进的乌鸦搜索算法优化ELM模型,通过生成最佳输入权重和阈值提高预测结果准确率,降低ELM模型训练误差。为了评估所提算法的性能,在UCI经典分类数据集上进行实验验证。实验结果表明,改进算法与其它智能优化算法相比,在50次运算中的标准差平均降低了62%,收敛速度平均提高了68%,表明所提算法具有更好的准确率、泛化性能和收敛速度。