基于蚁群优化（ACO）的特征选择和极限学习机（ELM）用于慢性肾脏疾病检测-研究论文

ELM通过可立即应用于分类区域的各种特征映射技术，提供了独特的学习氛围。 ELM在优化中几乎没有限制。 最初确定的ELM分类器空间可以识别，并且可以利用ELM技术进行网络训练。 实验的输出表明，与标准选项（即随机提取输入权重）相关联时，ELM分类器的实现会提高功能。 该实验由一组数据组成，该数据集包含400位患者，并存在信息丢失和噪音的问题，其中250位患者患有CKD，150位患者患有非CKD。 最后，进行成本准确性权衡分析，以确定具有最小计算间隔和潜在准确性的探索ELM技术的创新CKD。