共查询到20条相似文献，搜索用时 671 毫秒
1.
2.
极端学习机作为传统单隐层前馈神经网络（Single HiddenLayerFeedforwardNetworks,SLFNs）的拓展在模式识别领域成为新的研究热点之一,然而已有的极端学习机算法及其改进不能较好地利用数据蕴含的判别信息。针对该问题,提出一种基于判别信息的正则极端学习机（DiscriminativeInformationRegularizedExtremeLearningMachine,IELM）。对于模式识别问题,IELM引入同类离散度和异类离散度的概念,体现输入空间数据的判别信息,通过最大化异类离散度和最小化同类离散度,优化极端学习机的输出权值,从而在一定程度上提高ELM的分类性能和泛化能力。为了评价和验证所提出方法的有效性,使用Yale、YaleB、ORL、UMIST人脸数据进行实验。结果表明,该算法能够显著提高ELM的分类性能和泛化能力。 相似文献
3.
为了提高脑力负荷分类准确率,提出一种将Bagging和极限学习机相结合的集成算法。用极限学习机（ELM）作为底层弱分类器,通过多数投票方式决定最终类别的标签,从而构建最终强分类器。实验结果表明,在脑力负荷识别研究问题上,该集成算法的分类准确率在4个被试数据集上分别达到了96.17%、96.02%、92.50%和93.50%。相较于传统的ELM算法,分类准确率在4个被试数据集上分别提升了1.59%、1.34%、2.86%和1.80%。并且新算法在精确率、灵敏度和特异度等评估标准上均高于传统ELM分类器。 相似文献
4.
《东南大学学报》2020,(1)
为了在日益复杂的工业建模数据基础上建立一个准确、稳定的软测量模型,提出了一种有效的异构集成极端学习机(HEELM)软测量模型.采用4种不同激活函数的极端学习机和核极端学习机模型用以丰富集成模型的多样性.极限学习机的隐含层节点数通过试错法确定,并以交叉验证为准则来获得最优的核极限学习机模型参数.为了获得集成模型的最佳输出,采用最小二乘回归方法对所有单个模型的输出进行集成.通过2组复杂的工业过程数据集验证了HEELM模型具有很好的预测精度.与单独ELM模型、bagging ELM集成模型、 BP和SVM模型相比,HEELM模型的预测精度提高了4.5%～8.7%,且HEELM模型具有更好的稳定性. 相似文献
5.
6.
7.
《潍坊教育学院学报》2016,(1):87-89
本文基于局部特征核主成分分析下的SAR图像识别技术手段的探讨研究,根据其基础性能的实际要求以及行业领域的发展标准,在此基础上提出一种两级2维式的局部特征提取判别嵌入的模式,这种局部判别嵌入特征提取的SAR图像识别方法,在图像处理与识别的过程中,有效避免了传统方法中将图像数据转化为向量后所带来的维数灾难以及小样本等问题的出现,通过这种两级2维局部判别嵌入的核主成分分析特征提取方法在SAR图像识别方法中的应用,极大地增强了系统对特征的判别效果。 相似文献
8.
9.
针对古漆器漆膜数据类间不平衡、样本规模小,以及传统机器学习算法分类效果较差的问题,提出一种改进SMOTE的过采样方法改变漆器漆膜数据样本分布,使其达到平衡。该方法通过比较各类样本间的欧式距离,删除了人工样本中的噪声数据,然后运用集成学习中的随机森林算法进行分类,提高了少数类的分类准确率。UCI数据集上的实验结果表明,改进的过采样方法性能更优,评价指标F1-score与AUC值分别得到2%、5%以上的提升。结合改进的过采样方法与机器学习算法进行对比实验,结果证明,随机森林算法精度更高,在对古漆器年代的判别中,随机森林算法的F1-score与AUC值高达87.76%、89.34%。 相似文献
10.
为了精确评估个体心理负荷状态,需要获取目标脑电信号数据,脑电信号是评估脑力负荷变化的重要指标。机器学习和神经网络越来越多地用于脑力负荷分类。利用脑电信号特征可在时域和频域中提取突出信息。因此提出一个结合支持向量机（SVM）与超限学习机（ELM）的混合型脑力负荷分类框架。其中支持向量机作为成员分类器,可在高维EEG特征中查找隐藏信息|超限学习机用于融合成员分类器的输出。将ELM-SVM模型与经典脑力负荷分类器进行比较,得出该模型训练精度准确率为1,且测试精度提升0.1个百分点。 相似文献
11.
中文专利文献自动分类 总被引：1，自引：0，他引：1
采用KNN算法实现了一种中文专利文献自动分类系统。针对专利文献数据规模过大,分类效率低下的问题,采用修剪样本技术删除冗余样本,提高了分类器的效率。为解决修剪样本导致干扰文献积累对KNN分类性能下降的影响,系统使用信息增益对专利文献进行特征词选择,削弱了干扰文献对KNN分类的作用。实验证明,采用修剪样本技术和基于信息增益的特征词选择能有效缩小训练集规模,提高KNN分类准确率。 相似文献
12.
极端学习机作为单隐层前向神经网络的一种典型学习算法,学习速度快,泛化能力好,在函数逼近和模式分类领域都有广泛应用。本文把极端学习机的应用拓展到滤波器的设计当中,通过对数字信号处理中实例的计算机仿真,验证该算法设计的FIR滤波器具有较好的性能,能够取得理想的滤波效果,通带与阻带边界频率容易精确控制,且初始条件随机给定,算法速度快。 相似文献
13.
14.
针对传统极限学习机（ELM）缺乏有效的训练方法、应用时预测精度不理想这一弱点,提出了一种基于遗传算法（GA）训练极限学习机（GA-ELM）的方法。在该方法中,ELM的输入权值和隐藏层节点阈值映射为GA的染色体向量,GA的适应度函数对应ELM的训练误差;通过GA的遗传操作训练ELM,选出使ELM网络误差最小的输入权值和阈值,从而改善ELM的泛化性能。通过与ELM、I-ELM、OS-ELM、B-ELM4种方法的仿真结果对比,表明遗传算法有效地改善了ELM网络的预测精度和泛化能力。 相似文献
15.
特征选择是模式识别经典而重要的课题.由于不同类别样本之间存在边缘样本点,其分布区域互相交叉重叠,经典的MMC(Maximize Marginal Criterion)方法简单地采用最大化类中心距离,不利于样本分类.针对此问题,给出了一种基于加权最大边缘间距准则(加权MMC)并改进了的特征选择算法,该方法考虑了不同类别数据边缘样本点在模式分类中的作用,建立了基于最大边缘间距的新型特征评分准则,提高了边缘样本点在衡量特征判别能力时的作用.在公开数据集PIE和MIT-CBCL3000标准人脸图像库上进行了实验,结果表明,该算法与经典的MMC特征选择算法相比较具有明显的优势. 相似文献
16.
极限学习机(ELM)网络结构调整方法综述 总被引：1，自引：0，他引：1
从原始ELM算法和增长结构ELM算法(I-ELM)的基本思想与基本理论出发,分析其优点与不足,概括基于不同角度所改进的网络结构调整方法,包括结构增长型算法、结构递减型算法和自适应型算法三大方面.最终对极限学习机(ELM)中网络结构的各种调整方法进行综述,为相关研究者提供该研究方向的发展历史和最新结果. 相似文献
17.
18.
19.
在二维局部保持投影中引入类间结构信息和类标签,得到有监督的二维判别局部保持投影算法,从而提高了特征集的鉴别性。针对算法中参数的选取问题,建立无参数权重矩阵,提出无参数的二维判别局部保持投影(无参数2D-DLPP)算法。在Yale和ORL人脸库上的仿真实验结果表明,该算法与二维判别局部保持投影(2D-DLPP)、二维局部保持投影法(2D-LPP)和二维线性判别分析法(2D-LDA)相比能够取得更高的识别率。 相似文献
20.
《兰州石化职业技术学院学报》2021,(3)
传统的K最近邻算法(KNN)是机器学习领域中思想简单、易于学习、对低维数据处理效率较高的分类方法之一,但是在高维数据的分类中效率不高、性能会降低。针对传统KNN算法在处理多维数据集上的不足,提出了一种新的KNN改进算法:将线性回归方法引入该算法中,利用属性间的决定系数选择合适的属性集合,降低高维数据集的维数,并采用卡方距离作为KNN算法的距离度量函数,克服欧式距离不能体现特征向量之间相对关系的不足。实验结果分析表明,在标准数据集的测试中,基于线性回归方法的改进KNN算法达到了较高的分类准确度,相对于传统KNN算法在属性识别度上有了一定的提高。 相似文献