極限學習機結構優(yōu)化及其應用研究.pdf_第1頁
已閱讀1頁,還剩61頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、傳統(tǒng)的神經(jīng)網(wǎng)絡BP梯度學習算法存在著訓練時間長、過度擬合訓練樣本和易陷入局部最優(yōu)等問題。極限學習機具有學習時間短、算法簡單容易實現(xiàn)、良好的泛化性能和能避免陷入局部最優(yōu)等優(yōu)點,已經(jīng)成功應用于函數(shù)擬合和分類等應用領域。但極限學習機存在著所獲得的網(wǎng)絡結構比BP學習算法獲得的網(wǎng)絡結構復雜,對未知數(shù)據(jù)的響應時間長的問題。該文對極限學習機網(wǎng)絡結構優(yōu)化問題進行了研究,完成的研究工作如下:
  1.通過研究誤差最小化極限學習機的網(wǎng)絡結構冗余問題,

2、認為原因在于其輸入權重和閾值采用隨機取值方式,不能保證上述取值的有效性。故將遞歸最小二乘法引入到算法中,用于計算每個結點的輸入權重和閾值,從而得到了基于遞歸最小二乘法的增長型極限學習機(RLSI_ELM)。測試結果表明,在相同的分類準確度要求下,RLSI_ELM與EI_ELM及EM_ELM相比,能夠在短時間內獲得更加簡化的網(wǎng)絡結構。
  2.考慮到量子粒子群優(yōu)化算法的較強尋優(yōu)能力,將量子粒子群優(yōu)化算法應用于極限學習機,用以確定網(wǎng)絡

3、結點的輸入權重和閾值,替代原本的隨機取值方式,提出了基于量子粒子群優(yōu)化算法的極限學習機(QPSO_ELM)。實驗結果表明,該方法可以獲得更加有效的輸入權重和閾值,簡化網(wǎng)絡結構。
  3.將QPSO_ELM方法應用于手寫體數(shù)字識別中,構造了一個數(shù)字識別分類器。利用美國郵政手寫數(shù)字數(shù)據(jù)集對數(shù)字識別分類器進行了識別測試,實驗結果表明,相較于ELM和BP神經(jīng)網(wǎng)絡,QPSO_ELM可以達到更好的分類效果,而且QPSO_ELM的對手寫體數(shù)字識

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論