基于流形学习的极限学习机及其应用研究

发布时间：2023-03-21 19:28

　　近年来随着科技和计算机产业的发展,一些对数据样本进行分类的算法层出不穷。极限学习机(Extreme learning machine,ELM)因其结构简单、计算简便等特性从这些分类算法中脱颖而出。作为一种高效的学习方法是在单隐层神经网络的基础上进行扩展的,ELM算法在应用的过程中也的确取得了令人满意的成绩,但是还有很多局限性。为了更好的提高ELM的泛化能力和实验结果的准确率以及解决数据样本不足造成学习不充分等问题,本文将极限学习机与流形学习相结合提出了两种不同的算法,主要研究如下:(1)在NPE算法的基础上与ELM算法相结合提出一种有监督的降维算法(SNPE)。在SNPE算法中本文将类间离散度矩阵作为判别信息引入到NPE框架中。通过对目标函数最小化,以达到最小化同一类别样本点距离且最大化不同类别样本点距离的目的。再利用ELM算法对数据样本进行分类,避免样本点重叠现象,从而获得了令人满意的实验效果。SNPE算法在保留NPE算法优点的同时充分挖掘了隐藏判别信息,从而提高了算法的泛化能力。(2)将ELM算法与研究(1)目标函数中定义的类内和类间离散度矩阵相结合提出一种基于流形学习的极限学习机...

【文章页数】：33 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 基于流形学习的降维算法
    1.3 极限学习机
    1.4 本文结构安排
2 极限学习机(ELM)
3 基于NPE改进算法的人脸识别
    3.1 NPE算法的描述
    3.2 SNPE算法的描述
    3.3 实验对比与分析
4 基于流形学习的正则化极限学习机
    4.1 信息差矩阵
    4.2 NPELM算法的描述
    4.3 实验对比与分析
结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢



本文编号：3767156