基于仿生算法優(yōu)化的鏡像極限學習機的應(yīng)用*

印煜民，廖柏林

(吉首大學計算機科學與工程學院,湖南 吉首 416000)

反向傳播訓練神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)的一種，已廣泛應(yīng)用于現(xiàn)實生活中[1].然而這種傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)學習算法存在固有缺陷，需要設(shè)置大量的網(wǎng)絡(luò)訓練參數(shù)，且在迭代中收斂較慢[2].2004年，黃廣斌等設(shè)計了一種名為極限學習機(Extreme Learning Machine，ELM)的單隱層前饋神經(jīng)網(wǎng)絡(luò)(Single-Hidden Layer Feed Forward Neural Network，SLFN)[3].

ELM在參數(shù)確定過程中無需任何迭代步驟，從而大大縮短了網(wǎng)絡(luò)參數(shù)調(diào)整時間[4-8].與傳統(tǒng)的訓練方法相比，ELM具有學習速度快、泛化性能好的優(yōu)點[9-10]，可以有效地應(yīng)用于模式分類[11-14].值得指出的是，在確定參數(shù)時，所有ELM和類ELM神經(jīng)網(wǎng)絡(luò)模型都是隨機生成輸入層權(quán)值，然后計算輸出層權(quán)值[15].為了設(shè)計一種分類準確率更高、網(wǎng)絡(luò)結(jié)構(gòu)更簡單的類ELM網(wǎng)絡(luò)模型，筆者擬提出一種新的權(quán)值確定方法，即交換輸入權(quán)值和輸出權(quán)值的確定順序，并結(jié)合仿生算法進一步優(yōu)化該方法的權(quán)值選擇.

1 鏡像權(quán)值確定極限學習機

1.1 極限學習機

如圖1所示，ELM神經(jīng)網(wǎng)絡(luò)由3層組成，具有較簡單的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu).其輸入層和輸出層分別有J和K個神經(jīng)元，采用簡單的線性激活函數(shù)；隱層有M個神經(jīng)元，這些神經(jīng)元被單調(diào)的非線性激活函數(shù)f(·)激活.連接第m個隱層神經(jīng)元和第k個輸出層神經(jīng)元的權(quán)值用bmk(m=1,2,…,M；k=1,2,…,K)表示，輸出權(quán)值bmk在(c1，c2)范圍內(nèi)隨機生成；連接第j個輸入層神經(jīng)元和第m個隱層神經(jīng)元的權(quán)值用ajm(j=1,2,…,J；m=1,2,…,M)表示，輸入權(quán)值ajm由偽逆方法確定.在(c3，c4)范圍內(nèi)隨機生成第m個隱層神經(jīng)元的偏置hm，并將輸入層和輸出層中的偏移值設(shè)置為0，于是得到某個神經(jīng)元的輸出結(jié)果：

圖1 極限學習機神經(jīng)網(wǎng)絡(luò)模型

(1)

其中xj表示第j個輸入層神經(jīng)元的輸入.(1)式可以簡寫成

y=Bf(Ax-h).

(2)

其中：y=(y1,y2,…,yK)T∈RK×l；x=(x1,x2,…,xJ)T∈RJ×l；h=(h1,h2,…,hM)T∈RM×l；輸出層權(quán)值矩陣B與輸入層權(quán)值矩陣A分別定義為

1.2 鏡像極限學習機權(quán)值的確定

本研究中改進的ELM的權(quán)值確定方式與傳統(tǒng)的ELM權(quán)值確定方式互為鏡像，即隨機生成輸出權(quán)值，隨后通過偽逆計算的方式獲得輸入層權(quán)值，因此將改進的ELM稱為鏡像ELM(Mirror Extreme Learning Machine，MELM).

將實驗樣本數(shù)設(shè)置為N，可得(2)式矩陣形式的輸出，

Y=Bf(AX-H).

(3)

其中：Y=(y1,y2,…,yN)T∈RK×N；X=(x1,x2,…,xN)T∈RJ×N；H表示隱層神經(jīng)元的矩陣形式偏移量，H=(h,h,…,h)T∈RM×N.

定理1假設(shè)激活函數(shù)f(·)是嚴格單調(diào)的.當分別從[c1，c2]和[c3，c4]中選擇輸出權(quán)值B和偏差H時，最佳輸入權(quán)值A(chǔ)=(f-1(B+Y)+H)X+，其中f-1(·)表示f(·)唯一的逆函數(shù)，B+和X+分別表示矩陣B和X的偽逆矩陣.

證明(3)式兩邊同乘以B+，得到

B+Y=B+Bf(AX-H)=f(AX-H).

(4)

求解(4)式的反函數(shù)，得到f-1(B+Y)=AX-H，將其繼續(xù)改寫為

AX=f-1(B+Y)+H.

(5)

在(5)式兩側(cè)右乘X+，得到AXX+=(f-1(B+Y)+H)X+，即A=(f-1(B+Y)+H)X+.證畢.

2 天牛須搜索算法

天牛須搜索(Beetle Antennae Search,BAS)算法[16]是一種高效的智能優(yōu)化算法.天牛須搜索算法的生物原理為：天牛覓食時不知道食物的位置，但它會根據(jù)食物的氣味強弱搜尋其位置.天牛有2只長觸須，如果左側(cè)觸須接收到的氣味強度比右側(cè)強，那么天牛飛向左側(cè)，否則就飛向右側(cè).根據(jù)這一簡單原理，天?？梢杂行У厮褜さ绞澄?

為了便于說明，天牛在時間t(t=0,1,2…)的質(zhì)心位置用向量pt表示，位置p處的氣味濃度用f(p)表示，f(p)稱為適應(yīng)度函數(shù).適應(yīng)度函數(shù)的最大值對應(yīng)于氣味的源點.觀察天牛的行為發(fā)現(xiàn)，天牛用觸須搜尋食物氣味時，主要有2種行為方式，即搜索和探測.搜索行為即天牛用觸須尋找氣味時，它們會隨機搜索未知的環(huán)境.在現(xiàn)實生活中，天牛存在于三維空間，筆者為了使BAS算法有效地應(yīng)用于任何維度的函數(shù)，在該算法中設(shè)計了一個隨機的天牛搜索方向，以模擬天牛的搜索行為：

其中ran(·)表示一個隨機函數(shù)，h表示空間的維數(shù).由于天牛在尋找氣味時頭部的方向是任意的，因此天牛從右觸須到左觸須的方向也是任意的.為了簡化天牛模型，在BAS算法中將天牛的質(zhì)心坐標設(shè)置為p，左觸須和右觸須的坐標分別用pl和pr表示.這樣，天牛的運動過程可以模擬為

(6)

其中d是天牛左右觸須之間的長度.該長度應(yīng)足夠長，以避免在優(yōu)化過程開始時落入局部最優(yōu)值，其值會隨時間逐漸減小.為了描述天牛的探測行為，結(jié)合天牛搜索行為模型(6)給出如下公式：

pt=pt-1+αtbsign(f(pr)-f(pl)).

(7)

其中：α是搜索的步長，初始步長可以盡可能大，最好等于自變量的最大長度；sign(·)表示符號函數(shù)；f(pr)，f(pl)分別表示位置pr，pl處的氣味強度.利用搜索參數(shù)，即觸須長度d和步長α，為算法設(shè)計提供更新規(guī)則，更新規(guī)則示例如下：

dt=ηdt-1+0.01，αt=ηαt-1，

其中η在0和1之間接近1，通常η設(shè)置為0.95.

3 BAS-MELM神經(jīng)網(wǎng)絡(luò)模型的建立

類ELM的泛化性能在很大程度上取決于其參數(shù)的選擇.因此，筆者采用BAS算法來尋找MELM神經(jīng)網(wǎng)絡(luò)的最佳初始權(quán)值，并將其應(yīng)用于MELM神經(jīng)網(wǎng)絡(luò)，以獲得更優(yōu)的MELM預(yù)測模型，從而構(gòu)建最終的BAS-MELM訓練模型.

建模步驟如下：

(ⅰ)構(gòu)建BAS算法所需的方向向量.定義空間維度為w，將模型結(jié)構(gòu)設(shè)置為U-V-1，U為輸入層神經(jīng)元數(shù)，V為隱層神經(jīng)元數(shù)，輸出層神經(jīng)元數(shù)為1，于是搜索空間維數(shù)w=U×V+V×1+V+1.

(ⅱ)設(shè)置階躍系數(shù)δ.階躍因子δ用于控制天牛觸須的區(qū)域搜索能力.初始步長應(yīng)盡可能大，以覆蓋當前搜索區(qū)域，而不會陷入局部極小值.本研究采用線性遞減權(quán)值策略來確保搜索的精細化，即δt+1=δtη.

(ⅲ)選擇均方根誤差(Root Mean Squared Error，RMSE，用R表示)作為BAS算法的適應(yīng)度評價函數(shù)，以促進空間區(qū)域的搜索，

(8)

(ⅳ)BAS算法初始化.初始參數(shù)隨機生成，作為BAS算法的初始解集，即天牛觸須的初始位置，保存在bestP中.

(ⅴ)評估.根據(jù)(8)式計算初始位置的適應(yīng)度值，并將其存儲在bestQ中.

(ⅵ)天牛觸須位置更新.根據(jù)(6)式更新天牛左右觸須在空間中的位置坐標.

(ⅶ)適應(yīng)度函數(shù)更新.根據(jù)BAS算法中天牛觸須兩側(cè)的位置，求出該位置的適應(yīng)度函數(shù)值f(pr)和f(pl).比較強度，根據(jù)(7)式更新天牛的位置，調(diào)整神經(jīng)網(wǎng)絡(luò)的權(quán)值，然后計算當前位置的適應(yīng)度函數(shù).若此時的適應(yīng)度函數(shù)值優(yōu)于bestQ，則更新bestQ和bestP.

(ⅷ)迭代停止控制.確定是否達到迭代次數(shù)，若達到，則轉(zhuǎn)至步驟(ⅸ)；否則，返回步驟(ⅵ)繼續(xù)迭代.

(ⅸ)獲得最佳權(quán)值.當算法停止迭代時，bestP中的解就是訓練的最優(yōu)解，即MELM神經(jīng)網(wǎng)絡(luò)的最優(yōu)初始權(quán)值.

4 模式分類實驗

4.1 MELM的模式分類實驗

采用公開的標準數(shù)據(jù)集Zoo評估MELM的性能.該數(shù)據(jù)集提供了100組數(shù)據(jù)，屬性和類的個數(shù)分別為16和7.訓練神經(jīng)網(wǎng)絡(luò)時，隨機抽取50組數(shù)據(jù)，其余數(shù)據(jù)用于測試神經(jīng)網(wǎng)絡(luò)，實驗結(jié)果如圖2和圖3所示.

圖2 Zoo數(shù)據(jù)集的訓練結(jié)果

圖3 Zoo數(shù)據(jù)集的測試結(jié)果

由圖2和圖3可見，MELM可以在訓練和測試中很好地執(zhí)行分類任務(wù)，測試和訓練的最佳分類準確率分別為92.15%和88%.此外，通過實驗發(fā)現(xiàn)，當隱含層神經(jīng)元數(shù)量較小時，MELM的泛化性能就已達到穩(wěn)定.具體來說，當隱層神經(jīng)元數(shù)為2個左右時，分類準確度就達到最優(yōu)并保持穩(wěn)定.

筆者對比了MELM與其他神經(jīng)網(wǎng)絡(luò)(包括SOCPNN-W，MOCPNN-W，MLP-ELM，MLP-LM，RBFNN和SVM)[17]在達到最優(yōu)分類時的隱層神經(jīng)元數(shù)量，結(jié)果見表1.

表1 隱層神經(jīng)元數(shù)量

從表1可知，與其他幾種神經(jīng)網(wǎng)絡(luò)相比，在達到最優(yōu)分類時，MELM所需的隱含層神經(jīng)元數(shù)量最少，即MELM的結(jié)構(gòu)最簡單.這說明MELM的計算復雜度低于其他神經(jīng)網(wǎng)絡(luò).MELM的隱層神經(jīng)元數(shù)量將直接應(yīng)用于后續(xù)BAS-MELM的模式分類實驗中.

4.2 BAS-MELM的模式分類實驗

采用UCI機器學習庫中的典型現(xiàn)實世界分類數(shù)據(jù)集對MELM的性能進行評估，其特征見表2.在實驗期間隨機選擇50%的數(shù)據(jù)集進行訓練，其余的數(shù)據(jù)集用于測試.為了簡單而又不失一般性，將隱層神經(jīng)元的偏差B設(shè)置為0.此外，選用arctan函數(shù)作為神經(jīng)網(wǎng)絡(luò)的激活函數(shù).

表2 實驗數(shù)據(jù)特征

利用表2中的6組數(shù)據(jù)來訓練和測試BAS-MELM神經(jīng)網(wǎng)絡(luò)的模式分類，并比較BAS-MELM與其他神經(jīng)網(wǎng)絡(luò)(包括SOCPNN-W，MOCPNN-W，MLP-ELM，MLP-LM，RBFNN和SVM)[17]的性能.對所有算法進行100次試驗以避免初始參數(shù)設(shè)置過程中隨機性產(chǎn)生的影響，并采用平均排序方法[18](即數(shù)字越小，泛化性能越好)對7個神經(jīng)網(wǎng)絡(luò)的泛化性能進行綜合排序，結(jié)果見表3.

表3 測試集的平均分類準確度比較

從表3可知：對大多數(shù)數(shù)據(jù)集的測試集進行分類時，BAS-MELM都達到最高或第二高的平均分類準確度，即使對于某類數(shù)據(jù)的分類準確度不是最優(yōu)結(jié)果，BAS-MELM的分類結(jié)果與最優(yōu)結(jié)果之間的差距也很小；BAS-MELM的平均排名為2.17(最小值)，這說明BAS-MELM在7個神經(jīng)網(wǎng)絡(luò)中所有數(shù)據(jù)集的模式分類中表現(xiàn)最好，驗證了BAS-MELM在模式分類中的有效性和優(yōu)越性.

5 結(jié)語

筆者設(shè)計了一種改進的ELM，即MELM，它可以有效地應(yīng)用于模式分類中.MELM的參數(shù)確定過程中，輸出權(quán)值隨機給出，并通過偽逆方法獲得輸入權(quán)值.MELM完成了ELM神經(jīng)網(wǎng)絡(luò)的逆向推導.筆者結(jié)合MELM，采用BAS仿生算法進一步優(yōu)化了神經(jīng)網(wǎng)絡(luò)權(quán)值的選擇.實驗結(jié)果表明，與其他神經(jīng)網(wǎng)絡(luò)相比，BAS-MELM在進行模式分類時可達到更高的分類準確度，且隱層神經(jīng)元數(shù)量最少.基于真實分類數(shù)據(jù)集的大量實驗結(jié)果表明，與其他神經(jīng)網(wǎng)絡(luò)相比，BAS-MELM表現(xiàn)出其神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的簡單性和有效性，以及在模式分類實驗中具有良好的泛化性能.