基于ELM與非負矩陣分解的機器學習算法研究.pdf

1、極限學習機(Extreme Learning Machine,ELM)在機器學習領域上是一種極具競爭力的學習算法，它結構簡單，學習速度很快，與傳統(tǒng)的檢測技術支持向量機(Support Vector Machine,SVM)相比，在實際的檢測中能更加準確高效的識別錯誤。另外，仿真結果顯示，ELM有很強的擴展性，泛化能力也較好，因而在很多領域都有其相關應用。
　　而Adaboost(Adaptive Boosting)是一種最流行的分

2、類器集成算法，意在提高分類的傳統(tǒng)性能。傳統(tǒng)的分類算法往往只針對于兩類問題的處理，如支持向量機。雖然也有一些針對多分類問題的算法，但通常計算的復雜度較高或者算法的識別準確性不是很好。但到目前為止很少有將ELM與Adaboost相結合直接用于處理多分類問題的算法。鑒于此，本文提出了一個將ELM作為基礎分類器，以多類Adaboost算法為核心，并結合基于人臉識別的局部二值模式算法（Local Binary Pattern,LBP），用于處理多

3、類人臉圖像識別的問題。在實驗中證明本算法較原始ELM算法的有效性。
　　另一方面，隨著信息技術的高速發(fā)展，隨之而來的是大量復雜的高維數(shù)據(jù)。它們的日益劇增無疑給機器學習帶來了挑戰(zhàn)。而非負矩陣分解(Nonnegtive Matrix Factorization,NMF)是一個高效的降維方法，也在很多領域有其應用。
　　在學習了目前所存在的各種有效的NMF算法之后，本文提出了一個新的算法，在原有的NMF基礎上添加了正交非單位化以及