基于增量学习的混合RBF-ELM网络医学数据分类探析

摘要

为提高传统学习算法的数据分类性能，提出了一种基于增量学习的混合RBF-ELM网络（IHRBF-ELM），并应用于医学数据分类.在网络结构的构建上，将RBF隐藏层与ELM隐藏层相级联，即在连接输入层与ELM隐藏层之间加入RBF映射层；在学习算法的实现上，先采用基于势函数聚类的增量学习算法，实现RBF隐藏层高斯核个数及核参数的自动优化估计，并在RBF核空间使用极限学习机优化算法，实现网络输出权值的优化.在不同的医学分类数据集上，通过对混合RBF-ELM网络算法与PFRBF、ELM、HRBF-BP算法进行对比，发现该算法的网络分类精度显著优于其他算法.研究结果对提高传统学习算法的数据分类能力具有参考价值.

关键词

径向基函数 / 极限学习机 / 增量学习 / 混合RBF-ELM网络 / 数据分类