用于表示级特征融合与分类的相关熵融合极限学习机
在极限学习机(ELM)网络结构和训练模式的基础上,该文提出了相关熵融合极限学习机(CF-ELM).针对多数分类方法中表示级特征融合不充分的问题,该文将核映射与系数加权相结合,提出了能够有效融合表示级特征的融合极限学习机(F-ELM).在此基础上,用相关熵损失函数替代均方误差(MSE)损失函数,推导出用于训练F-ELM各层权重矩阵的相关熵循环更新公式,以增强其分类能力与鲁棒性.为了检验方法的可行性,该文分别在数据库Caltech 101,MSRC和15 Scene上进行实验.实验结果证明,该文所提CF-ELM能够在原有基础上进一步融合表示级特征,从而提高分类正确率.
极限学习机、表示级特征融合、相关熵、分类
42
TP391(计算技术、计算机技术)
国家自然科学基金51641609
2020-03-22(万方平台首次上网日期,不代表论文的发表时间)
共8页
386-393