基于流形正则化的批量分层编码极限学习机

摘要：

针对极限学习机在处理高维数据时存在内存能耗大、分类准确率低、泛化性差等问题,提出了一种批量分层编码极限学习机算法.首先通过对数据集分批处理,以减小数据维度,降低输入复杂性;然后采用多层自动编码器结构对各批次数据进行无监督编码,以实现深层特征提取;最后利用流形正则化思想构建含有继承因子的流形分类器,以保持数据的完整性,提高算法的泛化性能.实验结果表明,该方法实现简单,在NORB,MNIST和USPS数据集上的分类准确率分别可以达到92.16％、99.35％和98.86％,与其它极限学习机算法对比,在降低计算复杂度和减少CPU内存消耗上具有较明显的优势.

关键词：计量学;极限学习机;高维数据;批次学习;无监督编码;流形正则化

所属期刊栏目：42

分类号：TB973(计量学)

资助基金：河北省自然科学基金;河北省人才培养项目

在线出版日期：2021-08-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：937-943