PSO-HKELM优化算法：混合核极限学习机分类预测

OewxHHlkayHF

113人浏览 · 2026-03-17 10:45:00

OewxHHlkayHF · 2026-03-17 10:45:00 发布

PSO-HKELM分类，粒子群算法(PSO)优化混合核极限学习机(HKELM)分类预测，多特征输入模型优化参数为： HKELM的正则化系数、核参数、核权重系数 1、运行环境要求MATLAB版本为2018b及其以上，可实现二分类和多分类。多输入单输出 2、代码中文注释清晰，质量极高 3、运行结果图包括分类效果图，迭代优化图，混淆矩阵图，如下所示 4、测试数据集，可以直接运行源程序。适合新手小白

手把手教你用粒子群算法调参的混合核极限学习机

最近在折腾分类算法，发现极限学习机（ELM）训练速度是真快，但核函数选型这事儿太玄学。后来看到混合核能结合不同核的优势，但权重要怎么调？干脆直接上粒子群优化（PSO）自动调参试试，结果发现分类效果和泛化能力确实稳了。这里把实现过程拆开揉碎，附上完整Matlab代码，小白也能直接跑通。

一、混合核为什么比单核更抗打

混合核极限学习机（HKELM）的核心在于同时使用多个核函数。比如咱们这里选了RBF核（局部拟合强）和多项式核（全局趋势准），用权重系数动态调节二者比例。公式长这样：

K_mix = beta * K_rbf + (1-beta) * K_poly;

但问题来了：正则化系数C、RBF的σ、多项式阶数P、混合权重β这几个参数手动调参太费劲。这时候PSO的群体智能优势就体现出来了——让一群粒子帮咱们在参数空间里自动寻优。

二、代码骨架解析

2.1 参数初始化

% PSO参数设置
pop_size = 20;   % 别超过30，容易过拟合
max_iter = 50;    % 实际项目可以加到100
dim = 4;          % 优化C, σ, P, β四个参数
lb = [1e-3, 0.1, 1, 0];  % 下限 
ub = [1e3, 10, 5, 1];     % 上限

这里有个新手容易踩的坑：参数范围设太大容易发散，太小可能错过最优解。建议先跑小范围，再逐步扩展。

2.2 适应度函数

function accuracy = fitness(particle)
    C = particle(1);
    sigma = particle(2);
    P = particle(3);
    beta = particle(4);
    
    % 构建混合核
    kernel = @(X,Y) beta*rbf_kernel(X,Y,sigma) + (1-beta)*poly_kernel(X,Y,P);
    
    % 训练HKELM
    model = hkelm_train(X_train, Y_train, C, kernel);
    
    % 预测并计算准确率
    Y_pred = hkelm_predict(model, X_test);
    accuracy = sum(Y_pred == Y_test)/numel(Y_test); 
end

适应度计算是PSO的核心，这里直接使用分类准确率作为评价指标。注意核函数要提前向量化处理，否则大数据集会卡成PPT。

三、关键代码段实操

3.1 粒子更新逻辑

% 速度更新公式 
velocity = w*velocity + c1*rand*(pbest_pos - position) + c2*rand*(gbest_pos - position);

% 越界处理：参数超过范围时直接拉回边界
position(position < lb) = lb(position < lb);
position(position > ub) = ub(position > ub);

惯性权重w建议用线性递减策略，前期广搜索，后期精调参：

w = 0.9 - (0.5/max_iter)*iter;

3.2 HKELM训练核心

function model = hkelm_train(X, Y, C, kernel)
    % 计算核矩阵
    Omega = kernel(X, X);
    
    % 输出层权重计算
    I = eye(size(Omega));
    model.alpha = (Omega + I/C) \ Y; 
    
    % 保存必要参数
    model.X_train = X;
    model.kernel = kernel;
end

这里矩阵求逆改用\运算符比直接inv()更稳定，特别是当C很小时能避免数值问题。