基于极限学习机的表征学习方法研究

发布时间：2021-04-27 19:42

　　在这个信息高速发展的时代,数据繁冗复杂,如何充分地分析挖掘数据,从中提取有效的潜在信息和关键特征,对数据进行表征学习成为机器学习领域中的研究重点之一。现有的表征学习算法大体可分为基于矩阵分解和基于神经网络两种。近年来,随着数据的多样性、复杂性以及数据量的增大,基于矩阵分解的方法在表征学习问题上对效果的提升已经有了明显的制约,研究者们多数转向基于神经网络的深度学习进一步进行研究。目前,大多数的深度学习算法,如深度信念网络（DBN）、卷积神经网络（CNN）、递归神经网络（RNN）,采用迭代更新参数的方法进行训练,存在参数较多、模型复杂、训练效率低等问题。极限学习机（ELM）具有训练参数少、学习速度快、泛化能力强等特点,鉴于其高效性,近几年研究人员致力于研究如何将ELM拓展到深度学习框架中,以解决深度学习的训练耗时、计算复杂的问题。针对现有基于ELM的深度学习算法存在的未充分考虑全局结构信息的不足,本文首先结合图嵌入框架提出一种新的极限学习机自编码器（GDELM-AE）,在ELM空间中挖掘数据的局部近邻结构信息和全局结构信息。在GDELM-AE中,采用局部Fisher判别分析构建了图嵌入框架... 

【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校

【文章页数】：70 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景及意义
    1.2 表征学习的发展及研究现状
        1.2.1 基于矩阵分解的表征学习算法
        1.2.2 基于神经网络的表征学习
    1.3 极限学习机的发展及研究现状
    1.4 本文研究内容及结构
2 极限学习机的基础知识
    2.1 极限学习机
    2.2 极限学习机自编码器
    2.3 多层极限学习机
    2.4 本章小结
3 堆叠图嵌入去噪极限学习机模型
    3.1 关键技术
        3.1.1 去噪自编码器
        3.1.2 图嵌入
    3.2 图嵌入去噪极限学习机自编码器
    3.3 堆叠图嵌入去噪极限学习机
    3.4 实验结果与分析
        3.4.1 实验数据及环境
        3.4.2 实验建立及结果分析
    3.5 本章小结
4 基于AdaBoost集成极限学习机的多粒度级联模型
    4.1 关键技术
        4.1.1 AdaBoost算法
        4.1.2 加权极限学习机
    4.2 基于AdaBoost的加权极限学习机集成算法
    4.3 基于AdaBoost集成极限学习机的多粒度级联模型
    4.4 实验结果与分析
        4.4.1 实验设置
        4.4.2 实验结果
    4.5 本章小结
结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢


【参考文献】：
期刊论文
[1]一种改进的基于NMF的人脸识别方法[J]. 林庆,李佳,雍建平,廖定安.  计算机科学. 2012(05)



本文编号：3164050