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
主讲：极限学习单层前馈神经网络（SLFN）以其良好的学习能力在许多领域得到了广泛的应用，然而传统的学习算法，如BP等固有的一些缺点，成为制约其发展的主要瓶颈，前馈神经网络大多采用梯度下降法，该方法存在以下几个方面的缺点和不足：训练速度慢。由于梯度下降法需要多次迭代，从而达到修正权值和阈值的目的，因此训练过程耗时较长；容易陷入局部极小值，无法到达全局最小；学习率的选择敏感，学习率对神经网络的性能影响较大，必须选择合适的才能达到较为理想的效果，太小则算法的收敛速度很慢，训练过程耗时较长，太大，则训练过程可能不稳定。极限学习极限学习机（ExtremeLearningMachine,ELM）或“超限学习机”是一类基于前馈神经网络（FeedforwardNeuronNetwork,FNN）构建的机器学习系统或方法，适用于监督学习和非监督学习问题。ELM在研究中被视为一类特殊的FNN，或对FNN及其反向传播算法的改进，其特点是隐含层节点的权重为随机或人为给定的，且不需要更新，学习过程仅计算输出权重。传统的ELM具有单隐含层，在与其它浅层学习系统，例如单层感知机（singlelayerperceptron）和支持向量机（SupportVectorMachine,SVM）相比较时，被认为在学习速率和泛化能力方面可能具有优势
。ELM的一些改进版本通过引入自编码器构筑或堆叠隐含层获得了深度结构，能够进行表征学习。极限学习ELM的应用包括计算机视觉和生物信息学，也被应用于一些地球科学、环境科学中的回归问题。其最大的创新点：输入层和隐含层的连接权值、隐含层的阈值可以随机设定，且设定完后不用再调整。这和BP神经网络不一样，BP需要不断反向去调整权值和阈值。因此这里就能减少一半的运算量了。隐含层和输出层之间的连接权值β不需要迭代调整，而是通过解方程组方式一次性确定。研究表明，通过这样的规则，模型的泛化性能很好，速度提高了不少。一言概之，ELM最大的特点就是对于传统的神经网络，尤其是单隐层前馈神经网络(SLFNs)，在保证学习精度的前提下比传统的学习算法速度更快。极限学习
极限学习
极限学习不同的隐含层节点可以有不同的映射函数，神经网络的节点也由其具有的特征映射命名，例如Sigmoid节点、径向基函数节点等。除上述映射函数外，SLFN的节点也可以是其它经过封
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
- 人教部编版二年级上册语文期末试卷及答案【下载】
- 2022新部编人教版四年级上册《道德与法治》期末考试及答案【完整】
- 2023年部编版二年级上册语文期末试卷(参考答案)
- 初中九年级地理上册期末试卷及答案【真题】
- 部编版一年级上册语文《期末》考试卷及答案【完美版】
- 五年级科学上册期末考试题(1套)
- 部编人教版八年级数学下册期中考试题(完美版)
- 2022-2023年人教版五年级数学下册期中试卷(下载)
- 冀教版九年级生物上册期末考试题及答案【A4打印版】
- 小学数学青岛版二年级下册千以内数的认识+教案
- 无损检测射线检测不确定度
- 酒店新店装修开业筹备详细工作计划表
- 乳腺癌改良根治背阔肌护理ppt课件.ppt
- 工会换届选票(共8页)
- 招标代理服务方案(2)
- 财务管理案例额分析 国美可转换债券融资
- 发电机微机复合压启动的过电流保护原理及整定方法
- LED室内全彩显示屏报价模板
- 辅料检验标准
- 中兴ONU宽带配置实用模板1说明书
- 人力资源管理研究方法论探析
评论
0/150
提交评论