多隐层输出矩阵极限学习机

摘要：

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。

关键词：极限学习机、多核学习、特征级融合、混合蛙跳算法

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61203137，61301286资助课题

在线出版日期：2014-09-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：1656-1659