基于ELM的圖像分類與穩(wěn)健回歸算法研究.pdf_第1頁
已閱讀1頁,還剩62頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明: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,請進行舉報或認領

文檔簡介

1、極速學習機(Extreme Learning Machine, ELM)是近十年前提出的一種快速機器學習算法,它最早應用于單隱層前饋神經(jīng)網(wǎng)絡的學習,由于其具有結構簡單,學習速度快,以及良好的泛化性能等優(yōu)點受到眾多研究學者們的關注.隨著ELM的發(fā)展,理論和實證研究表明, ELM適用于廣義單隱層前饋神經(jīng)網(wǎng)絡(如:支持向量機、多項式網(wǎng)絡、徑向基網(wǎng)絡、以及傳統(tǒng)的前饋神經(jīng)網(wǎng)絡),同傳統(tǒng)的單隱層前饋神經(jīng)網(wǎng)絡的隱層節(jié)點參數(shù)需要不斷調(diào)整的原則不同, E

2、LM學習理論表明,前饋神經(jīng)網(wǎng)絡的隱層節(jié)點參數(shù)可以隨機生成,并且所有隱層節(jié)點參數(shù)可以獨立于目標函數(shù)和訓練數(shù)據(jù)集.正是因為隱層節(jié)點參數(shù)可以隨機選取,輸出層權值能夠以解析解的形式求出,所以ELM能夠?qū)崿F(xiàn)非??焖俚膶W習.特別地, ELM可以直接應用于回歸和多分類應用中并且有不錯的性能表現(xiàn).然而ELM仍然存在著不足之處,例如:在圖像分類中對噪聲圖像分類效果并不是較好導致其分類精度不高;在回歸應用中,訓練含有離群值的樣本得到的模型穩(wěn)健性不強;隨機隱

3、層節(jié)點參數(shù)選取導致網(wǎng)絡不具有稀疏性.本文主要針對以上三個問題進行研究,具體研究內(nèi)容及創(chuàng)新點如下:
  (1)設計了一種基于ELM和稀疏表示的混合圖像分類器.該分類器融合了稀疏表示圖像分類對特征選取的不敏感優(yōu)勢和ELM快速的分類能力.具體結合點是提出了一種簡單的ELM錯分圖像估計準則和自適應字典降維方法,這樣ELM錯分圖像可以由魯棒性強的稀疏表示分類器進行分類,而自適應字典降維也使得稀疏表示分類的計算時間得到降低.實驗結果表明此混合

4、分類器不僅分類精確性比ELM高而且分類速度比稀疏表示分類器快.
  (2)為了降低離群點對ELM泛化能力的影響,在正則化ELM和加權正則化ELM的基礎上,提出了兩種基于?1范數(shù)損失函數(shù)的穩(wěn)健回歸算法.在這兩種算法中都采用了快速的增廣的拉格朗日乘子法求解?1最小化.實驗結果表明這兩種算法對含有離群點的訓練數(shù)據(jù)有較強的魯棒性.
  (3)針對ELM隨機隱層節(jié)點參數(shù)選取導致隱層不具有稀疏性的缺點,提出了一種基于?2范數(shù)正則化的稀疏

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。

評論

0/150

提交評論