逐层可加的急速学习机

• 作者: 王士同 许小龙 郑雪辉
• 来源期刊: 计算机工程与应用
• 学科: 工学
• 关键词: 急速学习机 多隐层神经网络 逐层优化
• 年，卷（期）: 2016,（8）
• 所属期刊栏目: 理论与研发
• 页码范围: 7-12
• 页数: 6页
• 分类号: TP391
• 字数: 5540字
• 语种: 中文
• DOI: 10.3778/j.issn.1002-8331.1502-0014

摘要

已有的急速学习机(Extreme Learning Machine)的学习精度受隐节点数目的影响很大.无论是已提出的单隐层急速学习机还是多隐层神经网络,都是先确定隐藏层数,再通过增加每一层的神经元个数来提高精度.但当训练集规模很大时,往往需要引入很多的隐节点,导致违逆矩阵计算复杂度大,从而不利于学习效率的提高.提出逐层可加的急速学习机MHL-ELM(Extreme Learning Machine with Incremental Hidden Layers),其思想是首先对当前隐藏层神经元(数目不大且不寻优,因而复杂度小)的权值进行随机赋值,用ELM思想求出逼近误差;若误差达不到要求,再增加一个隐含层.然后运用ELM的思想对当前隐含层优化.逐渐增加隐含层,直至满足误差精度为止.除此以外,MHL-ELM的算法复杂度为MΣl=1O(Nl3).实验使用10个UCI,keel真实数据集,通过与BP,OP-ELM等传统方法进行比较,表明MHL-ELM学习方法具有更好的泛化性,在学习精度和学习速度方面都有很大的提升.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王士同	江南大学数字媒体学院	528	3424	23.0	37.0
2	许小龙	江南大学数字媒体学院	5	4	1.0	1.0
3	郑雪辉	江南大学数字媒体学院	2	5	1.0	2.0