基于去噪自编码器的极限学习机

摘要：

针对极限学习机算法(ELM)参数随机赋值降低算法鲁棒性及性能受噪声影响显著的问题,将去噪自编码器(DAE)与ELM算法相结合,提出了基于去噪自编码器的极限学习机算法(DAE-ELM).首先,通过去噪自编码器产生ELM的输入数据、输入权值与隐含层参数;然后,以ELM求得隐含层输出权值,完成对分类器的训练.该算法一方面继承了DAE的优点,自动提取的特征更具代表性与鲁棒性,对于噪声有较强的抑制作用;另一方面克服了ELM参数赋值的随机性,增强了算法鲁棒性.实验结果表明,在不舍噪声影响下DAE-ELM相较于ELM、PCA-ELM、SAA-2算法,其分类错误率在MNIST数据集中至少下降了5.6％,在Fashion MNIST数据集中至少下降了3.0％,在Rectangles数据集中至少下降了2.0％,在Convex数据集中至少下降了12.7％.

关键词：极限学习机、深度学习、去噪自编码器、特征提取、特征降维、鲁棒性

所属期刊栏目：39

分类号：TP181;TP391(自动化基础理论)

资助基金：国家自然科学基金资助项目61876189,61806219

在线出版日期：2019-07-16（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：1619-1625