极限学习机简介_第1页
极限学习机简介_第2页
极限学习机简介_第3页
全文预览已结束

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

1、1 极限学习机传统前馈神经网络采用梯度下降的迭代算法去调整权重参数，具有明显的缺陷：1） 学习速度缓慢，从而计算时间代价增大；2） 学习率难以确定且易陷入局部最小值；3）易出现过度训练，引起泛化性能下降。这些缺陷成为制约使用迭代算法的前馈神经网络的广泛应用的瓶颈。针对这些问题，huang等依据摩尔-彭罗斯（MP）广义逆矩阵理论提出了极限学习(ELM)算法，该算法仅通过一步计算即可解析求出学习网络的输出权值，同迭代算法相比，极限学习机极大地提高了网络的泛化能力和学习速度。极限学习机的网络训练模型采用前向单隐层结构。设 分别为网络输入层、隐含层和输出层的节点数， 是隐层神经元的激活函数， 为阈值。

2、设有 个不同样本 ， ，其中 ，则极限学习机的网络训练模型如图1所示。图1 极限学习机的网络训练模型极限学习机的网络模型可用数学表达式表示如下：式中， 表示连接网络输入层节点与第i个隐层节点的输入权值向量； 表示连接第i个隐层节点与网络输出层节点的输出权值向量； 表示网络输出值。极限学习机的代价函数E可表示为式中， ，包含了网络输入权值及隐层节点阈值。Huang等指出极限学习机的悬链目标就是寻求最优的S，使得网络输出值与对应实际值误差最小，即 。可进一步写为式中，H表示网络关于样本的隐层输出矩阵，表示输出权值矩阵，T表示样本集的目标值矩阵，H，T分别定义如下：极限学习机的网络训练过程可归结为一个非线性优化问题。当网络隐层节点的激活函数无限可微时，网络的输入权值和隐层节点阈值可随机赋值，此时矩阵H为一常数矩阵，极限学习机的学习过程可等价为求取线性系统 最小范数的最小二乘解 ，其计算式为式中时矩阵的MP广义逆。2实验结果>> ELM('diabetes_train', 'diabetes_test', 1, 20, 'sig')TrainingTime = 0.0468TestingTime = 0TrainingAccuracy = 0.7934TestingAccuracy = 0.73

人人文库> 全部分类> 教育资料 > 课件下载

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论