極限學(xué)習(xí)機(jī)（Extreme Learning Machine,ELM）實(shí)質(zhì)上是一種改進(jìn)的單隱含層的前饋神經(jīng)網(wǎng)絡(luò),其中輸入層與隱含層之間的參數(shù)是隨機(jī)生成的,隱含層與輸出層之間的連接權(quán)值是通過(guò)最小二乘法計(jì)算獲得。ELM具有學(xué)習(xí)速度快、泛化性能好等優(yōu)點(diǎn)。近年來(lái),ELM已廣泛應(yīng)用于實(shí)際并取得了良好的效果。然而實(shí)際中,ELM也有一些缺點(diǎn),諸如隨機(jī)參數(shù)導(dǎo)致的結(jié)果不穩(wěn)定、結(jié)構(gòu)較淺導(dǎo)致的較差的特征處理功能等。核極限學(xué)習(xí)機(jī)（Kernel Extreme Learning Machine,KELM）是對(duì)ELM的一種改進(jìn)模型,將支持向量機(jī)中的核函數(shù)理論引入ELM中,使得ELM的泛化性能得到提高、穩(wěn)定性得以保持。與ELM相同,KELM在回歸、預(yù)測(cè)等方面都取得了較大進(jìn)展。一方面,KELM在訓(xùn)練與分類(lèi)過(guò)程中都利用了矩陣運(yùn)算,這無(wú)疑增加了時(shí)間復(fù)雜度;另一方面,很多數(shù)據(jù)集例如自然圖像等是一種冗余度高的圖像,但KELM的結(jié)構(gòu)較淺,不足以對(duì)這部分?jǐn)?shù)據(jù)有較好的特征提取。因此本文對(duì)KELM展開(kāi)研究,并進(jìn)行改進(jìn),將其應(yīng)用于模式識(shí)別,構(gòu)建一套圖像識(shí)別系統(tǒng)。本文的主要工作如下:首先,提出了一種基于正規(guī)方程式的核極限學(xué)習(xí)機(jī)（KELM... 

【文章來(lái)源】：湘潭大學(xué)湖南省

【文章頁(yè)數(shù)】：53 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

神經(jīng)元細(xì)胞結(jié)構(gòu)

一詞是由生物學(xué)上提出的，神經(jīng)系統(tǒng)的基本單元是神經(jīng).1 所示，神經(jīng)元主要由突觸、樹(shù)突、軸突和細(xì)胞體構(gòu)成細(xì)胞核神經(jīng)末梢細(xì)胞體軸突：輸出端，發(fā)射電信號(hào)樹(shù)突：輸入端，接受電信號(hào)觸：I/O接，聯(lián)系其他神經(jīng)元圖 2.1 神經(jīng)元細(xì)胞結(jié)構(gòu)有多輸入單輸出的特性，根據(jù)這些原理，如圖 2.2 所示，在此之后誕生的神經(jīng)元網(wǎng)絡(luò)模型都是在此模型基礎(chǔ)上

輸入層隱含層 輸圖 2.6 極限學(xué)習(xí)機(jī)結(jié)構(gòu)圖知，ELM 包含有輸入層、隱含層和結(jié)點(diǎn)數(shù)分別為：n，l，m個(gè)，輸隨機(jī)設(shè)定的。與前饋神經(jīng)網(wǎng)絡(luò)相同]Tni2 inx ,...,x ∈R為樣本的輸入矩陣， ELM 的輸出表達(dá)式為lji i i i ii 1f(x) g (w ,b ,x ), j 1,...,N== β =]Ti2 inw ,...,w、 [ ]Ti 1i 2i miβ = β , β ,...,β 分向量，i代表第i個(gè)隱含層結(jié)點(diǎn)，n結(jié)點(diǎn)，ib 表示第i個(gè)隱藏層結(jié)點(diǎn)的偏i個(gè)隱含層節(jié)點(diǎn)的輸出值。ELM 理

【參考文獻(xiàn)】：
期刊論文
[1]基于監(jiān)督學(xué)習(xí)的數(shù)據(jù)預(yù)測(cè)服務(wù)構(gòu)建方法[J]. 李昭,宋壹,陳鵬.  計(jì)算機(jī)技術(shù)與發(fā)展. 2019(09)
[2]極限學(xué)習(xí)機(jī)前沿進(jìn)展與趨勢(shì)[J]. 徐睿,梁循,齊金山,李志宇,張樹(shù)森.  計(jì)算機(jī)學(xué)報(bào). 2019(07)
[3]基于深度學(xué)習(xí)的物理層無(wú)線(xiàn)通信技術(shù):機(jī)遇與挑戰(zhàn)[J]. 桂冠,王禹,黃浩.  通信學(xué)報(bào). 2019(02)
[4]基于單隱層前饋神經(jīng)網(wǎng)絡(luò)的優(yōu)化算法[J]. 李娜,劉冰,王偉.  科學(xué)技術(shù)與工程. 2019(01)
[5]無(wú)監(jiān)督學(xué)習(xí)在臨床實(shí)驗(yàn)室自動(dòng)審核規(guī)則制定中的實(shí)踐價(jià)值[J]. 宋毅,王家駟,孫良麗.  國(guó)際檢驗(yàn)醫(yī)學(xué)雜志. 2018(23)
[6]《概率論與數(shù)理統(tǒng)計(jì)》中定理的聯(lián)系教學(xué)--以獨(dú)立同分布的中心極限定理和樣本均值的抽樣分布定理為例[J]. 李真.  赤峰學(xué)院學(xué)報(bào)(自然科學(xué)版). 2018(10)
[7]自編碼神經(jīng)網(wǎng)絡(luò)理論及應(yīng)用綜述[J]. 袁非牛,章琳,史勁亭,夏雪,李鋼.  計(jì)算機(jī)學(xué)報(bào). 2019(01)
[8]基于深度強(qiáng)化學(xué)習(xí)DDPG算法的投資組合管理[J]. 齊岳,黃碩華.  計(jì)算機(jī)與現(xiàn)代化. 2018(05)
[9]智能機(jī)器人及其發(fā)展[J]. 孟慶春,齊勇,張淑軍,杜春俠,殷波,高云.  中國(guó)海洋大學(xué)學(xué)報(bào)(自然科學(xué)版). 2004(05)

碩士論文
[1]基于主成分分析和雙邊濾波的圖像降噪算法研究[D]. 張磊.曲阜師范大學(xué) 2018
[2]基于線(xiàn)性判別分析與小波分析的支持向量機(jī)股票交易擇時(shí)策略[D]. 陳倩倩.上海外國(guó)語(yǔ)大學(xué) 2018
[3]極限學(xué)習(xí)機(jī)在語(yǔ)音情感識(shí)別中的應(yīng)用研究[D]. 何淑琳.太原理工大學(xué) 2015



本文編號(hào)：2926895