集成Dropout极限学习机数据分类方法

• 作者: 周昭一 翟俊海 臧立光
• 来源期刊: 南京师大学报（自然科学版）
• 学科: 工学
• 关键词: 极限学习机 随机化方法 重复训练 泛化能力 集成
• 年，卷（期）: 2017,（3）
• 所属期刊栏目: 计算机科学
• 页码范围: 59-66
• 页数: 8页
• 分类号: TP181
• 字数: 4859字
• 语种: 中文
• DOI: 10.3969/j.issn.1001-4616.2017.03.009

摘要

极限学习机(Extreme Learning Machine,ELM)是一种速度快,泛化能力强的训练单隐含层前馈神经网络(Single-hidden Layer Feed-forward Neural-network,SLFN)的算法.但是在应用ELM解决实际问题时,需要先确定合适的SLFN结构.然而,对于给定的问题,确定合适的SLFN结构是非常困难的.针对这一问题,本文提出了一种集成学习方法.用该方法解决问题时,不需要事先确定SLFN的结构.提出的方法包括3步:(1)初始化一个比较大的SLFN;(2)用ELM重复训练若干个Dropout掉若干个隐含层结点的SLFNs;(3)用多数投票法集成训练好的SLFNs,并对测试样例进行分类.在10个数据集上进行了实验,比较了本文提出的方法和传统的极限学习机方法.实验结果表明,本文提出的方法在分类性能上优于传统的极限学习机算法.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	翟俊海	河北省机器学习与计算智能重点实验室河北大学数学与信息科学学院	17	358	6.0	17.0
5	臧立光	河北大学计算机科学与技术学院	3	5	2.0	2.0
6	周昭一	河北省机器学习与计算智能重点实验室河北大学数学与信息科学学院	1	2	1.0	1.0