10.3969/j.issn.1000-386x.2016.09.065
选择性集成极限学习机分类器建模研究
极限学习机 ELM(Extreme Learning Machine)具有训练过程极为快速的优点,但在实际分类应用中 ELM分类器的分类精度和稳定性有时并不能满足要求。针对这一问题,在 ELM用于分类时引入一种训练结果信息量评价指标来改进输出权值矩阵的求解方法,并增加隐层输出矩阵竞争机制来提高 ELM的稳定性。为了进一步提高 ELM的分类正确率,借鉴神经网络集成的理论,提出一种选择性集成 ELM分类器。在集成方法中采用改进 Bagging 法并提出一种基于网络参数向量的相似度评价方法和选择性集成策略。最后通过 UCI 数据测试表明,同 Bagging 法和传统的全集成法相比,该方法拥有更为优秀的分类性能。
极限学习机、神经网络、选择性集成、Bagging
33
TP183(自动化基础理论)
国家粮食局公益性科研项目201313012。
2016-10-18(万方平台首次上网日期,不代表论文的发表时间)
共5页
279-283