Resumen

Se propone una nueva máquina de aprendizaje extremo (ELM) semisupervisada con un marco de regularización de clústeres de discriminación múltiple (CDMR) denominado CDMR-ELM para la clasificación semisupervisada. Utilizando el método de clustering difuso no supervisado, el marco CDMR integra la discriminación de clustering de los datos etiquetados y no etiquetados con la regularización de las restricciones de hermanamiento. Con el objetivo de mejorar aún más la precisión y la eficiencia de la clasificación, se desarrolla un nuevo algoritmo de optimización multiobjetivo de la mosca de la fruta (MOFOA) para optimizar parámetros cruciales de CDME-ELM. El MOFOA propuesto se implementa con dos objetivos: minimizar simultáneamente el número de nodos ocultos y el error cuadrático medio (MSE). Los resultados de los experimentos con conjuntos de datos reales muestran que el clasificador semisupervisado propuesto puede obtener una mayor precisión y eficiencia con relativamente pocos nodos ocultos en comparación con otros clasificadores del estado del arte.

• Materias:Inteligencia artificial Algoritmos genéticos Ingeniería civil Neurociencia Cognitiva
• Subjects:Artificial intelligence Genetic algorithms Civil engineering Cognitive Neuroscience
• Palabras claves:nodo oculto, algoritmo de optimización de la mosca, elm, clasificador semisupervisado propuesto, máquina de aprendizaje extremo, parámetros de cdme, resultados del experimento, métodos de clustering difuso, regularización del múltiple, error cuadrado
• Keywords:hidden node, fly optimization algorithm, elm, proposed semisupervised classifier, extreme learning machine, parameters of cdme, results of experiment, fuzzy clustering methods, manifold regularization, square error