[发明专利]一种基于极限学习机的ELM-IN-ELM框架集成学习算法在审
申请号: | 201810800629.2 | 申请日: | 2018-07-19 |
公开(公告)号: | CN109034278A | 公开(公告)日: | 2018-12-18 |
发明(设计)人: | 马宏宾;费庆;克莱;李楠楠 | 申请(专利权)人: | 工极(北京)智能科技有限公司 |
主分类号: | G06K9/66 | 分类号: | G06K9/66;G06N3/08 |
代理公司: | 郑州翊博专利代理事务所(普通合伙) 41155 | 代理人: | 张擎 |
地址: | 100089 北京市海淀区*** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | 本发明公开了一种基于极限学习机的ELM‑IN‑ELM框架集成学习算法,ELM‑IN‑ELM框架能够自动学习组合不同的单个极限学习机模型,本方法采用ELM算法学习到的参数来组合不同的ELM输出计算最后的结果,它包括两个阶段:单个的ELM训练和融合参数学习。本发明所述ELM‑IN‑ELM框架自动地学习怎样组合不同的ELM分类器在小网络上以实现更高的性能,通过最小化分类误差和网络权重范数,将会在一个更紧凑的神经网络上获得更好的泛化性能。其他的ELM集成模型可以视为ELM‑IN‑ELM的特殊情况,使得ELM‑IN‑ELM成为基于ELM集成的一个统一的框架。几个修改和扩展应用到ELM‑IN‑ELM模型中,可以改善模型性能以解决其他问题。 | ||
搜索关键词: | 极限学习机 集成学习算法 参数学习 泛化性能 分类误差 集成模型 扩展应用 神经网络 输出计算 算法学习 自动学习 分类器 网络权 小网络 自动地 最小化 范数 紧凑 融合 统一 学习 | ||
【主权项】:
1.一种基于极限学习机的ELM‑IN‑ELM框架集成学习算法,其特征在于:ELM‑IN‑ELM框架能够自动学习组合不同的单个极限学习机模型,本方法采用ELM算法学习多个ELM模型的融合参数,进而通过组合各个单个ELM模型的输出来计算最后的结果,它包括两个阶段:第一阶段是单个的ELM训练,训练M个独立的ELM模型,输入:数据集X,目标T,单个模型数目M,隐含层节点数L输出:ELM‑IN‑ELM模型参数产生随机输入权重W(m)和偏差b(m)计算隐含层输出矩阵H(m)=G(XW(m)+b(m))计算输出权重计算输出O(m)=H(m)β(m),m=1,2,……,M其中G(·)是任意非线性分段连续函数,同时满足ELM通用逼近能力定理;第二阶段是基于第一个阶段的学习,计算每一个模型的输出值,然后学习多个ELM模型的融合参数;将所有单个模型输出的级联作为一个全部ELM模型的隐藏矩阵Hg,Hg=[O(1)O(2)…O(M)]式中O(m)是第m个模型的输出;如果所有的ELM模型有同样的大小,则Hg是一个N*MC矩阵;所计算的融合参数为全部ELM模型的输出权重是一个MC*C的矩阵,表示M个不同ELM模型贡献给最后结果的组合权重;ELM‑IN‑ELM模型被其参数W(m),b(m),β(m),m=1,2,...M以及输出权重F完全定义;每一个输出权重Fm是一个C×C矩阵,表示第m个单个模型和最后输出之间的连接,ELM‑IN‑ELM的输出为:ELM‑IN‑ELM输出是不同ELM输出的线性组合。
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于工极(北京)智能科技有限公司,未经工极(北京)智能科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/patent/201810800629.2/,转载请声明来源钻瓜专利网。