增量型极限学习机改进算法

发布时间：2017-12-12 02:18

  本文关键词：增量型极限学习机改进算法

  更多相关文章： 增量型极限学习机 无效神经元 算法改进 网络的稳定性

【摘要】：增量型极限学习机(incremental extreme learning machine,Ⅰ-ELM)在训练过程中,由于输入权值及隐层神经元阈值的随机获取,造成部分隐层神经元的输出权值过小,使其对网络输出贡献小,从而成为无效神经元.这个问题不但使网络变得更加复杂,而且降低了网络的稳定性.针对此问题,本文提出了一种给Ⅰ-ELM隐层输出加上偏置的改进方法(即Ⅱ-ELM),并分析证明了该偏置的存在性.最后对Ⅰ-ELM方法在分类和回归问题上进行仿真对比,验证Ⅱ-ELM的有效性.
【作者单位】： 广西大学电气工程学院;
【基金】：国家自然科学资助基金(61364007) 广西科学研究与技术开发计划项目(桂科攻14122007-33) 南宁市科学研究与技术开发计划项目(20141050)
【分类号】：TP18
【正文快照】： 1引言 极限学习机算法[1]是针对单个隐藏层的前馈型神经网络的监督型学习算法[2-3].传统的神经网络学习算法(如BP,back propagation)通常需要人为设置大量的网络训练参数,很容易陷入局部最优,而且基于梯度下降学习方法还存在需要多次迭代的缺点[4-5].与传统BP相比,极限学习机

【相似文献】

中国期刊全文数据库 前3条

1 麻文斗,王诗宓;输入受限的β增量型模型算法控制[J];系统仿真学报;2001年S1期

2 余世明,杜维;纯时延有约束增量型模型算法控制策略[J];仪器仪表学报;2001年04期

3 ;[J];;年期

，

本文编号：1280788