特征增量极限学习机
在机器学习的不同应用领域,出现了很多优秀的极限学习机分类模型.研究者往往愿意公开这些模型的结构以及参数,但不愿公开原始训练数据.针对如何仅利用现有的模型和少量具有新特征的样本得到一个更高效的识别模型的问题,提出一种特征增量极限学习机算法.该算法能从具有新特征的样本中学习知识,提高现有模型的识别精度.在真实世界图像和三轴加速度传感器数据集上的测试结果表明,该算法能有效地工作,在不需要以往训练样本参与的情况下,能一定程度上提高已有模型的识别精度,得到新的识别模型.
增量学习、普适计算、迁移学习、机器学习
46
TP393(计算技术、计算机技术)
国家自然科学基金项目U1504609;北京理工大学智能机器人与系统高精尖创新中心开放基金项目2018IRS09;河南省2017科技发展计划项目172102210525;河南省高等学校青年骨干教师培养计划项目2017GGJS111;河南省高等教育教学改革研究与实践一般项目2017SJGLX400
2019-12-19（万方平台首次上网日期，不代表论文的发表时间）
共5页
112-116
