extremelearnmachines极限学习机.pdfVIP

下载本文档

131
0
约4.82千字
约 15页
2017-08-20 发布于天津
举报
版权申诉

extremelearnmachines极限学习机.pdf

1、本文档共15页，可阅读全部内容。
2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
8、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

extremelearnmachines极限学习机

Extreme Learn Machines (极限学习机) Python 实现 Outline 1.  ELM简介 2.  ELM原理 3.  Python实现 4.  总结 ELM简介极限学习机(Extreme Learning Machine) ELM，是由黄广斌教授提出来的求解单隐层神经网络的算法。ELM最大的特点是对于传统的神经网络，尤其是单隐层前馈神经网络，在保证学习精度的前提下比传统的学习算法速度更快。该算法在网络参数的确定过程中, 隐层节点参数随机选取, 在训练过程中无需调节，只需要设置隐含层神经元的个数，便可以获得唯一的最优解;而网络的外权（即输出权值）是通过最小化平方损失函数得到的最小二乘解。这样网络参数的确定过程中无需任何迭代步骤,从而大大降低了网络参数的调节时间。 ELM原理针对训练数据样本x,具有 L 个隐层神经元的单隐层前向神经网络的输出函数表达式为: (1) 针对加法型的隐层节点 (2) 其中ai是输入权重, bi是隐层单元的偏置针对径向基函数神经网络的隐层节点 ai和bi (bi 0) 分别表示第 i 个径向基函 (3) 数 (RBF) 节点的中心和影响因子 SLFN （单隐层前馈神经网络）对于一个单隐层神经网络，假设有N个任意的样本，其中，对于一个有L个隐层节点的单隐层神经网络可以表示为: (1) 其中，g(x) 为激活函数 , 为输入权重，为输出权重，是第个隐层单元的偏置。单隐层神经网络学习的目标是使得输出的误差最小，可以表示为 (1) 即存在，和，使得 (2) 可以矩阵表示为