10.3969/j.issn.1001-506X.2014.08.33
多隐层输出矩阵极限学习机
得益于隐层节点学习参数的随机选择,极限学习机(extreme learning machine,ELM)在学习速度极快的基础上,可以达到较为良好的分类性能。但是,当隐层节点参数完全随机选择时,ELM 的性能并不总能达到最优。本文提出多隐层输出矩阵极限学习机(multiple hidden layer output matrices extreme learning machine, M-ELM)方法解决这一问题,该方法通过对不同输出矩阵加权运算以优化隐层节点结构,其中权系数与输出权值在学习过程中同时分析确定。另外,利用该方法可以实现特征级融合 ELM。实验证明,对于真实分类问题, M-ELM可以提供比 ELM 更为准确的分类结果。
极限学习机、多核学习、特征级融合、混合蛙跳算法
TP391(计算技术、计算机技术)
国家自然科学基金61203137,61301286资助课题
2014-09-03(万方平台首次上网日期,不代表论文的发表时间)
共4页
1656-1659