核极限学习机的改进及其在肿瘤识别中的应用

发布时间：2020-12-20 00:58

　　极限学习机（Extreme Learning Machine,ELM）实质上是一种改进的单隐含层的前馈神经网络,其中输入层与隐含层之间的参数是随机生成的,隐含层与输出层之间的连接权值是通过最小二乘法计算获得。ELM具有学习速度快、泛化性能好等优点。近年来,ELM已广泛应用于实际并取得了良好的效果。然而实际中,ELM也有一些缺点,诸如随机参数导致的结果不稳定、结构较浅导致的较差的特征处理功能等。核极限学习机（Kernel Extreme Learning Machine,KELM）是对ELM的一种改进模型,将支持向量机中的核函数理论引入ELM中,使得ELM的泛化性能得到提高、稳定性得以保持。与ELM相同,KELM在回归、预测等方面都取得了较大进展。一方面,KELM在训练与分类过程中都利用了矩阵运算,这无疑增加了时间复杂度;另一方面,很多数据集例如自然图像等是一种冗余度高的图像,但KELM的结构较浅,不足以对这部分数据有较好的特征提取。因此本文对KELM展开研究,并进行改进,将其应用于模式识别,构建一套图像识别系统。本文的主要工作如下:首先,提出了一种基于正规方程式的核极限学习机（KELM... 

【文章来源】：湘潭大学湖南省

【文章页数】：53 页

【学位级别】：硕士

【部分图文】：

神经元细胞结构

一词是由生物学上提出的，神经系统的基本单元是神经.1 所示，神经元主要由突触、树突、轴突和细胞体构成细胞核神经末梢细胞体轴突：输出端，发射电信号树突：输入端，接受电信号触：I/O接，联系其他神经元图 2.1 神经元细胞结构有多输入单输出的特性，根据这些原理，如图 2.2 所示，在此之后诞生的神经元网络模型都是在此模型基础上

输入层隐含层 输图 2.6 极限学习机结构图知，ELM 包含有输入层、隐含层和结点数分别为：n，l，m个，输随机设定的。与前馈神经网络相同]Tni2 inx ,...,x ∈R为样本的输入矩阵， ELM 的输出表达式为lji i i i ii 1f(x) g (w ,b ,x ), j 1,...,N== β =]Ti2 inw ,...,w、 [ ]Ti 1i 2i miβ = β , β ,...,β 分向量，i代表第i个隐含层结点，n结点，ib 表示第i个隐藏层结点的偏i个隐含层节点的输出值。ELM 理

【参考文献】：
期刊论文
[1]基于监督学习的数据预测服务构建方法[J]. 李昭,宋壹,陈鹏.  计算机技术与发展. 2019(09)
[2]极限学习机前沿进展与趋势[J]. 徐睿,梁循,齐金山,李志宇,张树森.  计算机学报. 2019(07)
[3]基于深度学习的物理层无线通信技术:机遇与挑战[J]. 桂冠,王禹,黄浩.  通信学报. 2019(02)
[4]基于单隐层前馈神经网络的优化算法[J]. 李娜,刘冰,王伟.  科学技术与工程. 2019(01)
[5]无监督学习在临床实验室自动审核规则制定中的实践价值[J]. 宋毅,王家驷,孙良丽.  国际检验医学杂志. 2018(23)
[6]《概率论与数理统计》中定理的联系教学--以独立同分布的中心极限定理和样本均值的抽样分布定理为例[J]. 李真.  赤峰学院学报(自然科学版). 2018(10)
[7]自编码神经网络理论及应用综述[J]. 袁非牛,章琳,史劲亭,夏雪,李钢.  计算机学报. 2019(01)
[8]基于深度强化学习DDPG算法的投资组合管理[J]. 齐岳,黄硕华.  计算机与现代化. 2018(05)
[9]智能机器人及其发展[J]. 孟庆春,齐勇,张淑军,杜春侠,殷波,高云.  中国海洋大学学报(自然科学版). 2004(05)

硕士论文
[1]基于主成分分析和双边滤波的图像降噪算法研究[D]. 张磊.曲阜师范大学 2018
[2]基于线性判别分析与小波分析的支持向量机股票交易择时策略[D]. 陈倩倩.上海外国语大学 2018
[3]极限学习机在语音情感识别中的应用研究[D]. 何淑琳.太原理工大学 2015



本文编号：2926895