基于極限學習機的三維模型數(shù)據(jù)分類研究.pdf

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，