極限學(xué)習(xí)機(jī)最早被提出用于訓(xùn)練單隱層前饋神經(jīng)網(wǎng)絡(luò),與傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法相比,不僅學(xué)習(xí)速度快,還能找到全局最優(yōu)解,為回歸和多分類任務(wù)提供了一種簡單而有效的方法。近年來,雖然越來越多的學(xué)者對ELM的理論和應(yīng)用研究產(chǎn)生了廣泛的興趣,但研究重點(diǎn)仍主要集中在有監(jiān)督學(xué)習(xí)任務(wù)上。而實(shí)際應(yīng)用中帶類標(biāo)簽的數(shù)據(jù)不易獲得,因此將ELM推廣到無監(jiān)督學(xué)習(xí)任務(wù)中是非常有必要的。本文以極限學(xué)習(xí)機(jī)為基礎(chǔ),針對降維方法展開研究,提出三種極限學(xué)習(xí)機(jī)降維模型,主要完成如下工作:1、子空間方法認(rèn)為高維數(shù)據(jù)分布于多個線性子空間中,同類樣本分布在同一個線性子空間中,不同類樣本分布在不同的線性子空間中。因此,高維數(shù)據(jù)的多線性子空間結(jié)構(gòu)中蘊(yùn)含著判別信息。為使ELM降維過程中不丟失這一信息,本文提出基于子空間結(jié)構(gòu)保持的極限學(xué)習(xí)機(jī)降維方法。該方法利用子空間技術(shù)學(xué)習(xí)高維數(shù)據(jù)的子空間結(jié)構(gòu),并在極限學(xué)習(xí)機(jī)投影過程中保持子空間結(jié)構(gòu)。2、流形正則思想經(jīng)常被用于降維方法中,如無監(jiān)督極限學(xué)習(xí)機(jī)（US-ELM）,其本質(zhì)是使原空間中距離近的樣本投影后也越接近。然而,在高維空間中樣本間距離度量的類區(qū)分性隨著維數(shù)增加而減弱。針對這一問題,本文對US-E... 

【文章來源】：福州大學(xué)福建省 211工程院校

【文章頁數(shù)】：57 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－１?ＥＬＭ網(wǎng)絡(luò)結(jié)構(gòu)示意圖??１?＝．．＂＿?＝

將8個數(shù)據(jù)集映射到不同維度特征空間時的聚類準(zhǔn)確率

并且隨著投影維數(shù)的增加聚類準(zhǔn)確率總體上呈現(xiàn)先上升后下降的趨勢。??３．４．３參數(shù)分析??ＬＲＰ－ＥＬＭ和ＳＰ－ＥＬＭ模型均有兩個參數(shù)；Ｉ和Ｖ，圖３－２和圖３－３分別描述了??兩個參數(shù)變化對ＬＲＰ－ＥＬＭ和ＳＰ－ＥＬＭ算法降維后聚類的準(zhǔn)確率的影響。其中，??每個數(shù)據(jù)的維數(shù)設(shè)置為取得最高聚類準(zhǔn)確率時的投影維數(shù)即表３－１中的維數(shù)。從??圖３－２和圖３－３可以看出ＬＲＰ－ＥＬＭ和ＳＰ－ＥＬＭ算法均在參數(shù)；Ｉ取值較小時，可??以取得較理想的聚類結(jié)果。對于參數(shù)…兩個算法取得較理想的聚類效果時不同??的數(shù)據(jù)集對應(yīng)的；７取值相差較大。??ＬｅｕｋｅｍｉａＯ?Ｌｅｕｋｅｍｉａｌ??＿?Ｓ??４?Ｊ?Ｊ?－Ｖ?ｌ８＇?＊?＾?３?＾??Ｌｅｕｋｅｍｉａ２?ＳＲＢＣＴ??、?－３??ＤＬＢＣＬ?ＰｒｏｓｔａｌｅＯ??＿?＿??心?４?＾?＾?４，３??１６??

【參考文獻(xiàn)】：
期刊論文
[1]潛在最小二乘回歸子空間分割方法[J]. 陳曉云,陳慧娟.  模式識別與人工智能. 2016(01)
[2]局部子空間聚類[J]. 劉展杰,陳曉云.  自動化學(xué)報. 2016(08)



本文編號：3564289