流形极限学习机自编码特征表示

• 作者: 陈媛 陈晓云
• 来源期刊: 计算机工程与应用
• 学科: 工学
• 关键词: 极限学习机 极限学习机自动编码器 流形学习 无监督学习 特征提取
• 年，卷（期）: 2020,（17）
• 所属期刊栏目: 模式识别与人工智能
• 页码范围: 150-155
• 页数: 6页
• 分类号: TP311|TP371
• 字数: 4819字
• 语种: 中文
• DOI: 10.3778/j.issn.1002-8331.2006-0007

摘要

极限学习机(ELM)作为一种无监督分类方法,具有学习速度快、泛化性能高、逼近能力好的优点.随着无监督学习的发展,将ELM与自动编码器集成已成为无标签数据集提取特征的新视角,如极限学习机自动编码器(ELM-AE)是一种无监督的神经网络,无需迭代即可找到代表原始样本和其学习过程的主要成分.其重建输入信号获取原始样本的主要特征,且考虑了原始数据的全局信息以避免信息的丢失,然而这类方法未考虑数据的固有流形结构即样本间的近邻结构关系.借鉴极限学习机自动编码器的思想,提出了一种基于流形的极限学习机自动编码器算法(M-ELM).该算法是一种非线性无监督特征提取方法,结合流形学习保持数据的局部信息,且在特征提取过程中同时对相似度矩阵进行学习.通过在IRIS数据集、脑电数据集和基因表达数据集上进行实验,将该算法与其他无监督学习方法PCA、LPP、NPE、LE和ELM-AE算法经过k-means聚类后的准确率进行了比较,以表明该算法的有效性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈晓云	福州大学数学与计算机科学学院	76	590	13.0	21.0
2	陈媛	福州大学数学与计算机科学学院	6	1	1.0	1.0