發(fā)布時(shí)間：2017-11-05 07:01

  本文關(guān)鍵詞：基于流形學(xué)習(xí)的極端學(xué)習(xí)機(jī)及其在人臉識(shí)別中的應(yīng)用

  更多相關(guān)文章： 極端學(xué)習(xí)機(jī) 流形學(xué)習(xí) 維數(shù)約減

【摘要】：極端學(xué)習(xí)機(jī)以其快速高效和良好的泛化能力在模式識(shí)別領(lǐng)域得到了廣泛應(yīng)用,然而現(xiàn)有的ELM及其改進(jìn)算法并沒有充分考慮到數(shù)據(jù)維數(shù)對(duì)ELM分類性能和泛化能力的影響,當(dāng)數(shù)據(jù)維數(shù)過高時(shí)包含的冗余屬性及噪音點(diǎn)勢(shì)必降低ELM的泛化能力,針對(duì)這一問題提出一種基于流形學(xué)習(xí)的極端學(xué)習(xí)機(jī),該算法結(jié)合維數(shù)約減技術(shù)有效消除數(shù)據(jù)冗余屬性及噪聲對(duì)ELM分類性能的影響,為驗(yàn)證所提方法的有效性,實(shí)驗(yàn)使用普遍應(yīng)用的圖像數(shù)據(jù),實(shí)驗(yàn)結(jié)果表明文章所提算法能夠顯著提高ELM的泛化性能。
【作者單位】： 遼寧師范大學(xué)計(jì)算機(jī)與信息技術(shù)學(xué)院;
【基金】：國家自然基金(61105085,61373127)
【分類號(hào)】：TP391.41;TP181
【正文快照】： 0胃 近來,H_g#人r在單隱層RG饋神^經(jīng)網(wǎng)—各(Single- hidden layer feedf0rWard networks,SLFNs)的基礎(chǔ)上提出工生,隱層學(xué)節(jié)巧…、的輸人權(quán)值和偏置值’分析確足輸出權(quán)值'與傳統(tǒng)基于梯度S想的tt經(jīng)枿}栛具有:￡}0栜速麟，

本文編號(hào)：1143079