吉林大学学报(工学版) ›› 2018, Vol. 48 ›› Issue (4): 1224-1230.doi: 10.13229/j.cnki.jdxbgxb20170307

• • 上一篇    下一篇

基于增强核极限学习机的专业选择智能系统

黄辉1,2, 冯西安1, 魏燕3, 许驰3, 陈慧灵2   

  1. 1.西北工业大学 航海学院,西安 710072;
    2.温州大学 数理与电子信息工程学院,浙江 温州 325035;
    3.温州科技职业学院 信息技术学院,浙江 温州 325006
  • 收稿日期:2017-03-18 出版日期:2018-07-01 发布日期:2018-07-01
  • 通讯作者: 魏燕(1983-),女, 高级工程师.研究方向:信息系统,数据挖掘.E-mail:weiyan@wzvcst.edu.cn
  • 作者简介:黄辉(1982-),男, 实验师, 博士研究生.研究方向:图像处理,机器学习.E-mail:huanghui@wzu.edu.cn
  • 基金资助:
    国家自然科学基金项目(61101155); 浙江省自然科学基金项目(LY15F020033); 温州市科技计划项目(2016R0002); 浙江省教育厅科学研究基金项目(Y201533884); 浙江省科技计划项目(2014C32031).

An intelligent system based on enhanced kernel extreme learning machine for choosing the second major

HUANG Hui1,2, FENG Xi-an1, WEI Yan3, XU Chi3, CHEN Hui-ling2   

  1. 1.School of Marine Science and Technology, Northwestern Polytechnical University, Xi'an 710072, China;
    2.College of Mathematics, Physics and Electronic Information Engineering, Wenzhou University, Wenzhou 325035, China;
    3.Wenzhou Vocational College of Science and Technology, Wenzhou 325006, China
  • Received:2017-03-18 Online:2018-07-01 Published:2018-07-01

摘要: 基于粒子群优化(PSO)的增强型核极限学习机(KELM)提出了一种有效的预测模型PSO-KELM来辅助第二专业选择。在PSO-KELM 中,PSO策略确定KELM的最佳参数。PSO-KELM与其他两个竞争方法在学生专业选择数据上通过10折交叉验证方案进行比较,这两个方法分别是支持向量机和网格搜索技术优化的KELM。结果表明了本文预测模型在分类精度、受试者工作特征曲线面积(AUC)、灵敏度和特异性方面的优越性。

关键词: 计算机应用, 核极限学习机, 粒子群优化, 第二专业选择

Abstract: This paper proposes an effective prediction model for choosing the second major based on the Particle Swarm Optimization (PSO) enhanced Kernel Extreme Learning Machine (KELM), which is called PSO-KELM model. In this model, the PSO strategy is adopted to adaptively determine the optimal parameters in KELM. The PSO-KELM model is compared with other two competitive methods, including Support Vector Machine (SVM) and a KELM is optimized by grid search technique, on a major selection dataset via a 10-fold cross validation scheme. The results clearly confirm the superiority of the proposed PSO-KELM model in classification accuracy, area under the receiver operating characteristic curve (AUC), sensitivity and specificity.

Key words: computer application, kernel extreme learning machine, particle swarm optimization, second major selection

中图分类号: 

  • TP393
[1] Kardan A A, Sadeghi H, Ghidary S S, et al.Prediction of student course selection in online higher education institutes using neural network[J]. Computers and Education, 2013, 65: 1-11.
[2] Guo W W.Incorporating statistical and neural network approaches for student course satisfaction analysis and prediction[J]. Expert Systems with Applications, 2010, 37(4): 3358-3365.
[3] Campagni R, Merlini D, Sprugnoli R, et al.Data mining models for student careers[J]. Expert Systems with Applications, 2015, 42(13): 5508-5521.
[4] Huang C, Xu J.Second major selection system based on data mining[J]. Journal of Information and Computational Science, 2009,6(6): 2333-2340.
[5] Huang G B, Zhu Q Y, Siew C K.Extreme learning machine: theory and applications[J]. Neurocomputing, 2006, 70(1-3): 489-501.
[6] Huang G B, Zhou H, Ding X, et al.Extreme learning machine for regression and multiclass classification[J]. IEEE Transactions on Systems Man & Cybernetics Part B Cybernetics, 2012, 42(2): 513-529.
[7] Liu B, Tang L W, Wang J B, et al.2-D defect profile reconstruction from ultrasonic guided wave signals based on QGA-kernelized ELM[J]. Neurocomputing, 2014,128: 217-223.
[8] Chen H L, Wang G, Ma C, et al.An efficient hybrid kernel extreme learning machine approach for early diagnosis of Parkinson's disease[J]. Neurocomputing,2016,184(C) :131-144.
[9] Liu T, Hu L, Ma C, et al.A fast approach for detection of erythemato-squamous diseases based on extreme learning machine with maximum relevance minimum redundancy feature selection[J]. International Journal of Systems Science, 2015, 46(5): 919-931.
[10] Chen H L, Yang B, Wang S J, et al.Towards an optimal support vector machine classifier using a parallel particle swarm optimization strategy[J]. Applied Mathematics and Computation, 2014, 239:180-197.
[11] 代琨, 于宏毅, 仇文博, 等. 基于SVM的网络数据无监督特征选择算法[J]. 吉林大学学报:工学版, 2015, 45(2):576-582.
Dai Kun, Yu Hong-yi, Qiu Wen-bo, et al.Unsupervised feature selection algorithm based on support vector machine for network data[J]. Journal of Jilin University(Engineering and Technology Edition), 2015, 45(2):576-582.
[12] 赵东, 臧雪柏, 赵宏伟. 基于果蝇优化的随机森林预测方法[J]. 吉林大学学报:工学版, 2017, 47(2):609-614.
Zhao Dong, Zang Xue-bai, Zhao Hong-wei.Random forest prediction method based on Optimization of fruit fly[J]. Journal of Jilin University(Engineering and Technology Edition), 2017, 47(2): 609-614.
[13] Duan L, Dong S, Cui S, et al.Extreme learning machine with gaussian kernel based relevance feedback scheme for image retrieval[J]. Springer International Publishing, 2016, 1: 397-408.
[14] Chang C C, Lin C J.LIBSVM: a library for support vector machines[J]. ACM Transactions on Intelligent Systems and Technology, 2011, 2(3):1-27.
[1] 刘富,宗宇轩,康冰,张益萌,林彩霞,赵宏伟. 基于优化纹理特征的手背静脉识别系统[J]. 吉林大学学报(工学版), 2018, 48(6): 1844-1850.
[2] 王利民,刘洋,孙铭会,李美慧. 基于Markov blanket的无约束型K阶贝叶斯集成分类模型[J]. 吉林大学学报(工学版), 2018, 48(6): 1851-1858.
[3] 金顺福,王宝帅,郝闪闪,贾晓光,霍占强. 基于备用虚拟机同步休眠的云数据中心节能策略及性能[J]. 吉林大学学报(工学版), 2018, 48(6): 1859-1866.
[4] 赵东,孙明玉,朱金龙,于繁华,刘光洁,陈慧灵. 结合粒子群和单纯形的改进飞蛾优化算法[J]. 吉林大学学报(工学版), 2018, 48(6): 1867-1872.
[5] 刘恩泽,吴文福. 基于机器视觉的农作物表面多特征决策融合病变判断算法[J]. 吉林大学学报(工学版), 2018, 48(6): 1873-1878.
[6] 欧阳丹彤, 范琪. 子句级别语境感知的开放信息抽取方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1563-1570.
[7] 刘富, 兰旭腾, 侯涛, 康冰, 刘云, 林彩霞. 基于优化k-mer频率的宏基因组聚类方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1593-1599.
[8] 桂春, 黄旺星. 基于改进的标签传播算法的网络聚类方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1600-1605.
[9] 刘元宁, 刘帅, 朱晓冬, 陈一浩, 郑少阁, 沈椿壮. 基于高斯拉普拉斯算子与自适应优化伽柏滤波的虹膜识别[J]. 吉林大学学报(工学版), 2018, 48(5): 1606-1613.
[10] 车翔玖, 王利, 郭晓新. 基于多尺度特征融合的边界检测算法[J]. 吉林大学学报(工学版), 2018, 48(5): 1621-1628.
[11] 赵宏伟, 刘宇琦, 董立岩, 王玉, 刘陪. 智能交通混合动态路径优化算法[J]. 吉林大学学报(工学版), 2018, 48(4): 1214-1223.
[12] 傅文博, 张杰, 陈永乐. 物联网环境下抵抗路由欺骗攻击的网络拓扑发现算法[J]. 吉林大学学报(工学版), 2018, 48(4): 1231-1236.
[13] 曹洁, 苏哲, 李晓旭. 基于Corr-LDA模型的图像标注方法[J]. 吉林大学学报(工学版), 2018, 48(4): 1237-1243.
[14] 侯永宏, 王利伟, 邢家明. 基于HTTP的动态自适应流媒体传输算法[J]. 吉林大学学报(工学版), 2018, 48(4): 1244-1253.
[15] 赵宏伟, 刘宇琦, 特日根, 陈长征, 臧雪柏. 基于有限序列的压缩新算法[J]. 吉林大学学报(工学版), 2018, 48(3): 882-886.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
[1] 何磊,宗长富,田承伟,吴仁军,张太武. 线控转向汽车直流电机的故障诊断与容错控制[J]. 吉林大学学报(工学版), 2011, 41(03): 608 -612 .
[2] 刘松山, 王庆年, 王伟华, 林鑫. 惯性质量对馈能悬架阻尼特性和幅频特性的影响[J]. 吉林大学学报(工学版), 2013, 43(03): 557 -563 .
[3] 初亮, 王彦波, 祁富伟, 张永生. 用于制动压力精确控制的进液阀控制方法[J]. 吉林大学学报(工学版), 2013, 43(03): 564 -570 .
[4] 李静, 王子涵, 余春贤, 韩佐悦, 孙博华. 硬件在环试验台整车状态跟随控制系统设计[J]. 吉林大学学报(工学版), 2013, 43(03): 577 -583 .
[5] 朱剑峰, 林逸, 陈潇凯, 施国标. 汽车变速箱壳体结构拓扑优化设计[J]. 吉林大学学报(工学版), 2013, 43(03): 584 -589 .
[6] 胡兴军, 李腾飞, 王靖宇, 杨博, 郭鹏, 廖磊. 尾板对重型载货汽车尾部流场的影响[J]. 吉林大学学报(工学版), 2013, 43(03): 595 -601 .
[7] 王同建, 陈晋市, 赵锋, 赵庆波, 刘昕晖, 袁华山. 全液压转向系统机液联合仿真及试验[J]. 吉林大学学报(工学版), 2013, 43(03): 607 -612 .
[8] 张春勤, 姜桂艳, 吴正言. 机动车出行者出发时间选择的影响因素[J]. 吉林大学学报(工学版), 2013, 43(03): 626 -632 .
[9] 马万经, 谢涵洲. 双停车线进口道主、预信号配时协调控制模型[J]. 吉林大学学报(工学版), 2013, 43(03): 633 -639 .
[10] 于德新, 仝倩, 杨兆升, 高鹏. 重大灾害条件下应急交通疏散时间预测模型[J]. 吉林大学学报(工学版), 2013, 43(03): 654 -658 .