1、單個分類器在解決一些復雜問題時，往往得不到理想的處理效果，而將多個分類器組合在一起構(gòu)建的集成系統(tǒng)通常能獲得比單個分類器更優(yōu)的穩(wěn)定性和泛化能力。本文在分析集成極限學習機存在的缺陷的基礎(chǔ)上，提出了一種基于加權(quán)投票的集成在線順序極限學習機。該方法在優(yōu)選單個極限學習機基礎(chǔ)上進行有效集成，進一步提高了集成分類器的性能。結(jié)合基因表達譜數(shù)據(jù)特性，將改進的集成在線順序極限學習機用于基因表達譜數(shù)據(jù)分類，獲得了很高的癌癥預測準確率。本文的主要工作如下:

2、r>　　 1)提出了一種優(yōu)選成員極限學習機的方法。高性能的成員分類器有利于提高集成分類器系統(tǒng)的性能。本文首先將訓練集按一定比例分為訓練集和驗證集，用這兩個數(shù)據(jù)集來訓練在線順序極限學習機，然后將各個在線順序極限學習機在驗證集上的分類準確率從大到小排列，選擇其中分類準確率較大的在線順序極限學習機來構(gòu)建集成系統(tǒng)。
　　 2)針對傳統(tǒng)的利用平均值法作為集成決策的集成在線順序極限學習機在實際應(yīng)用中往往無法獲得較高的識別率，提出一種基于在

3、驗證集上的分類準確率的加權(quán)投票的集成在線順序極限學習機(IEOS-ELM)。該方法將單個在線順序極限學習機在訓練過程的分類準確率占總的分類準確率的比重作為該在線順序極限學習機的集成投票權(quán)重。在四個標準分類數(shù)據(jù)集上的實驗結(jié)果表明，這種方法能夠以較少的成員學習機獲得更高的識別率。
　　 3)提出了基于微粒群算法和IEOS-ELM的基因表達譜數(shù)據(jù)分類方法。針對基因表達譜數(shù)據(jù)的特性，利用微粒群算法對成員在線順序極限學習機進行初選，再利用