含类信息的极限学习机自动编码器特征学习方法

摘要：

极限学习机自动编码器(ELM-AE)将极限学习机(ELM)技术与自动编码器(AE)结合,可以无监督学习数据特征且克服了参数迭代调整的昂贵时间消耗.然而,以最小化重构误差为目标的ELM-AE并不能有效利用分类问题中的数据类别信息,导致特征的类别可分性较差.针对此现象,本文提出一种面向数据分类的含类信息极限学习机自编码(CELM-AE)特征学习方法,该方法将投影特征向量的类间离散度与类内相似度限制到ELM-AE的目标函数中,且可通过解析算法求得更具类别分辨力的最优数据表示.对6种UCI数据集分别使用基于CELM-AE、ELM-AE和AE的特征表示进行分类实验,结果表明,CELM-AE得到的数据特征在两种分类器(ELM/KNN)下的分类精度与稳定性表现均优于ELM-AE与AE,且时间代价很小,说明了 CELM-AE在提取可分性数据特征表示方面的优势.

关键词：极限学习机、自动编码器、特征学习、数据分类

所属期刊栏目：45

分类号：TP3(计算技术、计算机技术)

资助基金：山西省基础研究计划资助项目;山西省基础研究计划资助项目;山西省基础研究计划资助项目;山西省基础研究计划资助项目;国家自然科学基金;山西省回国留学人员科研项目;山西省回国留学人员科研项目

在线出版日期：2022-11-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：71-79