文件名称：论文研究-逐层可加的急速学习机.pdf
文件大小：600KB
文件格式：PDF
更新时间：2022-09-30 07:06:10
论文研究
已有的急速学习机（Extreme Learning Machine）的学习精度受隐节点数目的影响很大。无论是已提出的单隐层急速学习机还是多隐层神经网络，都是先确定隐藏层数，再通过增加每一层的神经元个数来提高精度。但当训练集规模很大时，往往需要引入很多的隐节点，导致违逆矩阵计算复杂度大，从而不利于学习效率的提高。提出逐层可加的急速学习机MHL-ELM（Extreme Learning Machine with Incremental Hidden Layers），其思想是首先对当前隐藏层神经元（数目不大且不寻优，因而复杂度小）的权值进行随机赋值，用ELM思想求出逼近误差；若误差达不到要求，再增加一个隐含层。然后运用ELM的思想对当前隐含层优化。逐渐增加隐含层，直至满足误差精度为止。除此以外，MHL-ELM的算法复杂度为[l=1MO(N3l)]。实验使用10个UCI，keel真实数据集，通过与BP，OP-ELM等传统方法进行比较，表明MHL-ELM学习方法具有更好的泛化性，在学习精度和学习速度方面都有很大的提升。