基于主成分估计的极限学习机方法

摘要：

极限学习机(Extreme Learning Machine,ELM)是一种单隐层前馈神经网络(Single-hidden Layer Feedfor-ward Neural Networks,SLFN),它相较于传统神经网络算法来说结构简单,具有较快的学习速度,以及良好的泛化性能等优点.由最小二乘法(Least Square,LE)计算得出的输出权值,往往由于设计矩阵为奇异矩阵,得到的权值有较大偏差,遇到有噪声的数据时,算法的鲁棒性无法保证.主成分估计是对最小二乘估计的一种改进算法,主成分估计能有效的改善设计矩阵奇异造成的影响,能有效的提高网络模型的鲁棒性和抗噪能力.提出了一种基于主成分估计的极限学习机方法(PC-ELM),实验结果表明,此方法能有效提高算法的鲁棒性和泛化能力.

关键词：神经网络、极限学习机、最小二乘估计、主成分估计

所属期刊栏目：52

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金61174050,61203016

在线出版日期：2016-06-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：110-114,120