0 引言

    圖像分類是圖像領(lǐng)域的研究熱點之一，研究者對于不同場景的圖像采用不同的算法進(jìn)行研究。極限學(xué)習(xí)機(Extreme Learning Machine，ELM)有效避免了傳統(tǒng)前饋神經(jīng)網(wǎng)絡(luò)訓(xùn)練的劣勢，基于學(xué)習(xí)速度快、泛化性能好等優(yōu)勢應(yīng)用于圖像分類領(lǐng)域。文獻(xiàn)[1]采用改進(jìn)蝙蝠算法優(yōu)化極限學(xué)習(xí)機進(jìn)行圖像分類，提高分類準(zhǔn)確率的基礎(chǔ)上加快了分類速度；文獻(xiàn)[2]采用螢火蟲算法(Firefly Algorithm，F(xiàn)A)優(yōu)化極限學(xué)習(xí)機對遙感影響進(jìn)行分類，F(xiàn)A優(yōu)化算法高于傳統(tǒng)的遺傳算法(Genetic Algorithm，GA)和粒子群算法(Particle Swarm Optimization，PSO)優(yōu)化方法；文獻(xiàn)[3]采用魚群算法優(yōu)化極限學(xué)習(xí)機，可獲得更好的分類效果；文獻(xiàn)[4]采用局部信息保持極限學(xué)習(xí)機，在分類性能上優(yōu)于KELM算法；文獻(xiàn)[5]、[6]采用多核多特征進(jìn)行重構(gòu)ELM，提高了準(zhǔn)確性和完整性。綜上，較ELM，采用群智能優(yōu)化算法可獲得更好的分類效果。KELM采用核函數(shù)來取代ELM的內(nèi)積運算，增加了函數(shù)逼近能力，提高了非線性分類能力。文獻(xiàn)[7]采用核極限學(xué)習(xí)機應(yīng)用于脈象分類問題，較反向傳播算法(Back Propagation，BP)和支持向量機算法(Support Vector Machine，SVM)提高了分類準(zhǔn)確性。文獻(xiàn)[8]采用核極限學(xué)習(xí)機可獲得乳腺良惡性腫塊樣病變數(shù)據(jù)的分類準(zhǔn)確率。

    文獻(xiàn)[9]指出LSO比PSO算法具有收斂速度快、精度高的特點，可獲得全局最優(yōu)解。文獻(xiàn)[10]、[11]指出獅群算法優(yōu)化傳統(tǒng)算法，可獲得更高精度。本文在KELM良好的分類性能基礎(chǔ)上，結(jié)合LSO的尋優(yōu)能力，提出LSO優(yōu)化KELM算法(簡稱LKELM)，并采用UCI數(shù)據(jù)集進(jìn)行仿真測試，以檢驗分類精度的提高程度。

本文詳細(xì)內(nèi)容請下載：http://www.jysgc.com/resource/share/2000003971。

作者信息：

劉新建，孫中華

(武漢烽火信息集成技術(shù)有限公司，湖北 武漢430074)