【故障诊断】量子粒子群优化极限学习机实现乳腺癌诊断,(QPSO-ELM)数据分类
1.简介
本文采用量子粒子群优化极限学习机实现乳腺癌诊断，极限学习机（ELM）用来训练单隐藏层前馈神经网络（SLFN）与传统的SLFN训练算法不同，极限学习机随机选取输入层权重和隐藏层偏置，输出层权重通过最小化由训练误差项和输出层权重范数的正则项构成的损失函数，依据Moore-Penrose（MP）广义逆矩阵理论计算解析求出。理论研究表明，即使随机生成隐藏层节点，ELM仍保持SLFN的通用逼近能力。在过去的十年里，ELM的理论和应用被广泛研究，从学习效率的角度来看，极限学习机具有训练参数少、学习速度快、泛化能力强的优点。
但是由于ELM极限学习机初始的权值阈值都是随机生成的，造成诊断准确率较低。因此本文采用量子粒子群算法对ELM的权值和阈值进行了优化，以此来提高ELM模型的故障诊断性能。
传统粒子群算法PSO作为经典优化算法大家都不陌生，其在智能优化方法存在很多优势但也有诸多缺陷有待改进，基于量子力学创建的QPSO算法相较于传统PSO算法具有很多优点：
-
QPSO算法相较于PSO算法不需要粒子的速度信息，控制参数少，算法运行简单。
-
QPSO算法引入平均最优位置，提高了粒子间的协作能力，其全局搜索性能要远远优于PSO算法。
-
量子世界是由概率支配的，基于量子力学建立的QPSO算法比PSO算法可以确定更多的状态。
因此本文采用QPSO算法对ELM极限学习机超参数进行了寻优，为检验本文所提模型的效果，文章采用了UCI公用数据集乳腺癌分类数据(Wisconsin Diagnostic Breast Cancer Data — wdbc)对模型的性能进行了检验。并与未进行参数优化的标准ELM模型的诊断效果进行对比。
2.运行效果展示
标准ELM模型诊断结果：
文采用了真实值与预测值对比效果图和混淆矩阵（论文中常用的一种表达方式，本文对混淆矩阵进行了美观表达SCI常用方式）两种方式对模型诊断效果进行了可视化展示本
QPSO-ELM模型诊断结果：
根据以上结果可知采用量子粒子群优化后的极限学习机诊断效果达到了99.115%比未进行优化的标准ELM对乳腺癌的诊断准确率提高了8%。
该模型算法采用Matlab编写，已调试成功，代码注释详细，编写逻辑清晰易懂，数据集采用UCI公用乳腺癌数据集，方便替换数据集。适合新手学习和SCI科研。