

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)
文檔簡介
1、極限學習機具有較好的算法結(jié)構(gòu),較快的訓練速度,較好的泛化性能和不會陷入局部最優(yōu)的問題等優(yōu)點,在越來越多的領(lǐng)域中都得到了應用。三維模型數(shù)據(jù)具有維數(shù)高,樣本小,高噪聲,類不平衡等特點。為了解決三維模型數(shù)據(jù)的高維度,類不平衡及極限學習機存在的性能不穩(wěn)定的問題,本文針對三維模型數(shù)據(jù)對極限學習機分類算法做了進一步的研究,將黃金分割優(yōu)化算法和限制玻爾茲曼機算法引入三維模型數(shù)據(jù)分類,提高了分類精度,并引入遷移學習的思想處理類不平衡問題。本文主要創(chuàng)新點
2、如下:
(1)提出基于黃金分割優(yōu)化算法的極限學習機算法。用黃金分割優(yōu)化算法首先對極限學習機隱含層節(jié)點數(shù)進行優(yōu)化,再對隱層矩陣和偏置進行優(yōu)化。實驗結(jié)果表明該算法在較短的時間內(nèi)可以獲得較高分類精度,性能優(yōu)異。
(2)提出基于限制玻爾茲曼機的極限學習機算法,首先對原始數(shù)據(jù)集進行特征選擇,達到降低維數(shù)的效果,再用前一步驟中計算得到的限制玻爾茲曼機的參數(shù)對極限學習機輸入層權(quán)值進行改進優(yōu)化,實驗結(jié)果表明相比較隨機森林,邏輯回歸,
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
- 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于極限學習機的不確定數(shù)據(jù)分類算法.pdf
- 基于極限學習機的半監(jiān)督分類.pdf
- 面向在線不均衡數(shù)據(jù)分類的極限學習機算法研究.pdf
- 基于極限學習機的實物期權(quán)定價模型研究
- 不平衡數(shù)據(jù)分類和極限學習機算法研究.pdf
- 基于極限學習機的實物期權(quán)定價模型研究.pdf
- 基于堆疊極限學習機的衛(wèi)星云圖分類研究.pdf
- 基于序列數(shù)據(jù)獲取的改進極限學習機算法研究.pdf
- 基于集成極限學習機的神經(jīng)元分類算法研究.pdf
- 基于分塊KPCA和極限學習機的圖像分類識別研究.pdf
- 基于進化極限學習機的特征加權(quán)近鄰分類算法.pdf
- 基于極限學習機的XML文檔分類的研究與實現(xiàn).pdf
- 基于深度學習的極限學習機算法研究.pdf
- 基于支持向量機和極限學習機的管道缺陷分類方法研究.pdf
- 基于集成極限學習機的腦電信號分類研究.pdf
- 基于極限學習機的轉(zhuǎn)爐煉鋼終點預測模型研究.pdf
- 基于小波核極限學習機的網(wǎng)絡(luò)流量分類.pdf
- 基于極限學習機的圖像標注研究.pdf
- 基于集成學習的極限學習機的算法研究.pdf
- 基于改進的極限學習機短時交通流預測模型研究.pdf
評論
0/150
提交評論