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、隨著互聯(lián)網(wǎng)的發(fā)展,各類數(shù)據(jù)不斷累積,如何從數(shù)據(jù)中獲得有用的知識成為亟待解決的問題。BP神經(jīng)網(wǎng)絡(luò)(Back propagation neural networks)作為一種經(jīng)典模式分類方法,成為獲取信息的有效工具,并被廣泛應(yīng)用于各個領(lǐng)域。然而,BP神經(jīng)網(wǎng)絡(luò)采用迭代求解方式,存在計算速度慢、易獲得局部最優(yōu)解等問題。極端學(xué)習(xí)機(Extreme learningmachine,ELM)與BP神經(jīng)網(wǎng)絡(luò)同為單隱層前饋神經(jīng)網(wǎng)絡(luò)(Single-hidd
2、en layer feedforwardneural networks,SLFNs),ELM直接從輸入層實現(xiàn)復(fù)雜的非線性映射,利用隨機化參數(shù)的方法將迭代求解過程轉(zhuǎn)化為線性方程組的求解過程,進而獲得了更快的求解速度。同時,避免了易陷入局部最優(yōu)解的問題,成為解決模式分類問題的有效途徑。本文主要以ELM模型為理論基礎(chǔ),以提升模式分類速度、精度與穩(wěn)定性為目標。針對ELM模型在不同分類應(yīng)用中產(chǎn)生的問題進行了研究、分析,并取得了下述成果:
3、 (1)針對ELM對大規(guī)模數(shù)據(jù)難以實時分類的問題,本文提出并行在線極端學(xué)習(xí)機(Parallel online sequential extreme learning machine,POSELM)模型。首先,利用ELM理論得到隱層輸出權(quán)值矩陣;然后,根據(jù)MapReduce框架并行計算特點,對矩陣分割后在不同工作結(jié)點上并行計算,以代替原有大規(guī)模矩陣累乘操作;最后,將計算結(jié)點上的結(jié)果累加后得到輸出權(quán)值矩陣。該方法保證了在不損失計算精度前提下
4、,將ELM的增量學(xué)習(xí)算法在MapReduce框架上進行拓展,從而實現(xiàn)數(shù)據(jù)的實時分類。
(2)針對ELM分類中魯棒性低的問題,提出相應(yīng)的解決方案。ELM在建模時需全局數(shù)據(jù)參與運算,未考慮噪音樣本對模型構(gòu)建產(chǎn)生的影響,進而出現(xiàn)魯棒性低的問題。針對該問題,提出局部極端機(Local extreme learning machine,LELM)模型。首先,獲得測試樣本的K近鄰,根據(jù)近鄰標簽判斷測試樣本位置,并識別噪音訓(xùn)練樣本;然后,提
5、出監(jiān)督聚類方法結(jié)合近鄰法重建局部訓(xùn)練集;最后,針對新的訓(xùn)練集,構(gòu)建局部分類器。LELM在充分考慮樣本局部結(jié)構(gòu)的同時,識別并移除噪音樣本,從而降低噪音樣本對模型構(gòu)建產(chǎn)生的影響,提升模型魯棒性。進一步,為了保證ELM增量分類方法的魯棒性與實時分類的穩(wěn)定性,將在線極端學(xué)習(xí)機模型(Online sequence extreme learningmachine,OSELM)加以拓展,提出自組合核的在線極端學(xué)習(xí)機(Self-compounding
6、kernelonline sequential extreme learning machine,SCK-OSELM)模型。首先,提出自組合核方法,實現(xiàn)樣本空間到非線性融合特征空間的轉(zhuǎn)換。然后,借助稀疏貝葉斯原理對當(dāng)前時間點參數(shù)稀疏。最后,將當(dāng)前稀疏后得到的參數(shù)并入下一時刻運算。該方法將多個核空間的特征進行非線性融合,避免了隱層參數(shù)選擇產(chǎn)生模型魯棒性低的問題。
(3)針對ELM對非平衡數(shù)據(jù)難以有效分類的問題,提出加權(quán)的在線極端
7、學(xué)習(xí)機(Weights robust online extreme learning machine,WROSELM)模型。為解決數(shù)據(jù)類別分布非平衡性,該模型借助代價敏感學(xué)習(xí)理論生成局部動態(tài)權(quán)值矩陣,從而優(yōu)化分類模型產(chǎn)生的經(jīng)驗風(fēng)險,并通過對權(quán)值矩陣的分解,獲得模型輸出權(quán)值矩陣新的增量表達。同時,算法進一步考慮動態(tài)數(shù)據(jù)由于時序性改變造成的數(shù)據(jù)分布變化,而引入遺忘因子增強分類器對數(shù)據(jù)分布變更的敏感性。該方法對非平衡數(shù)據(jù)的分類問題具有較高的適
8、應(yīng)性,可實現(xiàn)對該類數(shù)據(jù)實時、有效的分類。
(4)針對ELM對多特征數(shù)據(jù)難以有效分類的問題,提出多特征極端學(xué)習(xí)機(Multi-feature extreme learning machine,MFELM)模型。該模型利用ELM對單特征逐一建模,通過給出不同特征模型的權(quán)重迭代參數(shù)優(yōu)化MFELM模型,最終獲得使分類誤差總和最小的特征組合系數(shù)與輸出權(quán)值。在組合參數(shù)設(shè)計上,引入多次冪系數(shù)避免求解過程中算法退化為單特征的情況。同時,將MF
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(yù)覽,若沒有圖紙預(yù)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(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)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(dān)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
- 基于成員分類器選擇優(yōu)化的集成極端學(xué)習(xí)機的研究.pdf
- 極端學(xué)習(xí)機的有效計算.pdf
- 基于極端學(xué)習(xí)機的短期風(fēng)電功率預(yù)測研究.pdf
- 基于粒子群優(yōu)化的極端學(xué)習(xí)機的研究及其應(yīng)用.pdf
- 基于支持向量機和極限學(xué)習(xí)機的管道缺陷分類方法研究.pdf
- 基于極端學(xué)習(xí)機的混凝土抗壓強度預(yù)測研究.pdf
- 基于極限學(xué)習(xí)機的半監(jiān)督分類.pdf
- 基于粒子群優(yōu)化的構(gòu)造性極端學(xué)習(xí)機的研究.pdf
- 基于ARPSO算法優(yōu)化的集成極端學(xué)習(xí)機的研究與應(yīng)用.pdf
- 基于極速學(xué)習(xí)機的高光譜圖像分類研究.pdf
- 基于主動半監(jiān)督極限學(xué)習(xí)機多類圖像分類方法研究.pdf
- 基于成員相似性的集成極端學(xué)習(xí)機及其應(yīng)用.pdf
- 基于穩(wěn)健估計的極限學(xué)習(xí)機方法研究.pdf
- 圖像目標識別的集成極端學(xué)習(xí)機研究.pdf
- 基于堆疊極限學(xué)習(xí)機的衛(wèi)星云圖分類研究.pdf
- 基于粒子群優(yōu)化和極端學(xué)習(xí)機的基因表達譜數(shù)據(jù)處理方法的研究.pdf
- 總體錯誤率與孿生極端學(xué)習(xí)機.pdf
- 基于極速學(xué)習(xí)機的深度學(xué)習(xí)在圖像分類上的研究.pdf
- 基于Kernel學(xué)習(xí)機的建模與分類的應(yīng)用算法研究.pdf
- 極速學(xué)習(xí)機優(yōu)化方法研究.pdf
評論
0/150
提交評論