近年來(lái)隨著科技和計(jì)算機(jī)產(chǎn)業(yè)的發(fā)展,一些對(duì)數(shù)據(jù)樣本進(jìn)行分類(lèi)的算法層出不窮。極限學(xué)習(xí)機(jī)(Extreme learning machine,ELM)因其結(jié)構(gòu)簡(jiǎn)單、計(jì)算簡(jiǎn)便等特性從這些分類(lèi)算法中脫穎而出。作為一種高效的學(xué)習(xí)方法是在單隱層神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)行擴(kuò)展的,ELM算法在應(yīng)用的過(guò)程中也的確取得了令人滿意的成績(jī),但是還有很多局限性。為了更好的提高ELM的泛化能力和實(shí)驗(yàn)結(jié)果的準(zhǔn)確率以及解決數(shù)據(jù)樣本不足造成學(xué)習(xí)不充分等問(wèn)題,本文將極限學(xué)習(xí)機(jī)與流形學(xué)習(xí)相結(jié)合提出了兩種不同的算法,主要研究如下:(1)在NPE算法的基礎(chǔ)上與ELM算法相結(jié)合提出一種有監(jiān)督的降維算法(SNPE)。在SNPE算法中本文將類(lèi)間離散度矩陣作為判別信息引入到NPE框架中。通過(guò)對(duì)目標(biāo)函數(shù)最小化,以達(dá)到最小化同一類(lèi)別樣本點(diǎn)距離且最大化不同類(lèi)別樣本點(diǎn)距離的目的。再利用ELM算法對(duì)數(shù)據(jù)樣本進(jìn)行分類(lèi),避免樣本點(diǎn)重疊現(xiàn)象,從而獲得了令人滿意的實(shí)驗(yàn)效果。SNPE算法在保留NPE算法優(yōu)點(diǎn)的同時(shí)充分挖掘了隱藏判別信息,從而提高了算法的泛化能力。(2)將ELM算法與研究(1)目標(biāo)函數(shù)中定義的類(lèi)內(nèi)和類(lèi)間離散度矩陣相結(jié)合提出一種基于流形學(xué)習(xí)的極限學(xué)習(xí)機(jī)...

【文章頁(yè)數(shù)】：33 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 基于流形學(xué)習(xí)的降維算法
    1.3 極限學(xué)習(xí)機(jī)
    1.4 本文結(jié)構(gòu)安排
2 極限學(xué)習(xí)機(jī)(ELM)
3 基于NPE改進(jìn)算法的人臉識(shí)別
    3.1 NPE算法的描述
    3.2 SNPE算法的描述
    3.3 實(shí)驗(yàn)對(duì)比與分析
4 基于流形學(xué)習(xí)的正則化極限學(xué)習(xí)機(jī)
    4.1 信息差矩陣
    4.2 NPELM算法的描述
    4.3 實(shí)驗(yàn)對(duì)比與分析
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝



本文編號(hào)：3767156