10.19678/j.issn.1000-3428.0057060
基于栈式降噪稀疏自编码器的极限学习机
极限学习机(ELM)随机选择网络输入权重和隐层偏置,存在网络结构复杂和鲁棒性较弱的不足.为此,提出基于栈式降噪稀疏自编码器(sDSAE)的ELM算法.利用sDSAE稀疏网络的优势,挖掘目标数据的深层特征,为ELM产生输入权值与隐层偏置以求得隐层输出权值,完成训练分类器,同时通过加入稀疏性约束优化网络结构,提高算法分类准确率.实验结果表明,与ELM、PCA-ELM、ELM-AE和DAE-ELM算法相比,该算法在处理高维含噪数据时分类准确率较高,并且具有较强的鲁棒性.
极限学习机、降噪稀疏自编码器、稀疏性、深度学习、特征提取
46
TP181(自动化基础理论)
国家自然科学基金61876189,61273275,61806219,61703426
2020-10-13(万方平台首次上网日期,不代表论文的发表时间)
共7页
61-67