基于Bagging与超限学习机的脑力负荷识别模型

• 作者: 尹钟 陶嘉栋
• 来源期刊: 软件导刊
• 学科: 工学
• 关键词: Bagging 极限学习机 集成算法 脑力负荷
• 年，卷（期）: 2020,（3）
• 所属期刊栏目: 人工智能
• 页码范围: 27-30
• 页数: 4页
• 分类号: TP301
• 字数: 3160字
• 语种: 中文
• DOI: 10.11907/rjdk.191593

摘要

为了提高脑力负荷分类准确率,提出一种将Bagging和极限学习机相结合的集成算法.用极限学习机(ELM)作为底层弱分类器,通过多数投票方式决定最终类别的标签,从而构建最终强分类器.实验结果表明,在脑力负荷识别研究问题上,该集成算法的分类准确率在4个被试数据集上分别达到了96.17％、96.02％、92.50％和93.50％.相较于传统的ELM算法,分类准确率在4个被试数据集上分别提升了1.59％、1.34％、2.86％和1.80％.并且新算法在精确率、灵敏度和特异度等评估标准上均高于传统ELM分类器.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	尹钟	上海理工大学光电信息与计算机工程学院	16	28	3.0	5.0
2	陶嘉栋	上海理工大学光电信息与计算机工程学院	1	0	0.0	0.0