Resumen

El algoritmo de la máquina de aprendizaje extremo propuesto en los últimos años ha sido ampliamente utilizado en muchos campos debido a su rápida velocidad de entrenamiento y su buen rendimiento de generalización. A diferencia de las redes neuronales tradicionales, el algoritmo ELM mejora en gran medida la velocidad de entrenamiento al generar aleatoriamente los parámetros relevantes de la capa de entrada y la capa oculta. Sin embargo, debido a los parámetros generados aleatoriamente, algunos parámetros "malos" generados pueden introducirse y traer un efecto negativo en la capacidad de generalización final. Para superar este inconveniente, este trabajo combina el sistema inmune artificial (AIS) con el ELM, es decir, AIS-ELM. Con la ayuda de la búsqueda global del AIS y su buena convergencia, los parámetros generados aleatoriamente del ELM se optimizan de forma efectiva y eficiente para conseguir un mejor rendimiento de generalización. Para evaluar el rendimiento de AIS-ELM, este trabajo lo compara con algoritmos relevantes en varios conjuntos de datos de referencia. Los resultados experimentales revelan que nuestro algoritmo propuesto siempre puede lograr un rendimiento superior.

• Materias:Biotecnología Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithms Brain - pathophysiology Neurophysiology
• Palabras claves:parámetros generados, velocidad de entrenamiento rápida, buen rendimiento de generalización, varios conjuntos de datos de referencia, rendimiento de la ai, sistema inmunitario artificial, elm, ayuda de la ai, algoritmo de la máquina de aprendizaje, parámetros de elm
• Keywords:generated parameters, fast training speed, good generalization performance, several benchmark datasets, performance of ai, artificial immune system, elm, help of ai, learning machine algorithm, parameters of elm