ELM优化的深度自编码分类算法

摘要：

针对自编码神经网络训练时间长的问题,提出了一种改进的深度自编码神经网络算法.首先利用极限学习机(extreme learning machine,ELM)作为自编码块,构建多层自编码神经网络,以提高分类准确率.采用ELM能避免大量的迭代过程,减少网络训练时间.其次为实现分类,在各输出层中加入标签节点,对实际输出与各样本的期望标签进行比对,使原始的自编码无监督学习转化为监督学习过程,从而在深度学习的过程中实现分类训练.为验证该方法的有效性,在多个UCI数据集中进行广泛的测试.实验结果表明,与其他自编码网络和RBF(radial basis function)神经网络相比,该方法取得了良好的分类准确率,并且有效提高了训练速度.

关键词：深度神经网络、极限学习机、自编码、分类

所属期刊栏目：12

分类号：TP183(自动化基础理论)

资助基金：The National Natural Science Foundation of China under Grant No.61673193;the Fundamental Research Funds for the Central Universities of China under Grant Nos.JUSRP51635B,JUSRP51510;the Natural Science Foundation of Jiangsu Province under Grant No.BK20150159

在线出版日期：2018-06-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：820-827