基于粒子群優(yōu)化的極端學(xué)習(xí)機(jī)的研究及其應(yīng)用.doc
約44頁DOC格式手機(jī)打開展開
基于粒子群優(yōu)化的極端學(xué)習(xí)機(jī)的研究及其應(yīng)用,摘 要 huang 等人在2004 年提出了一種新型的前饋神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法，即極限學(xué)習(xí)機(jī)( elm) 。在elm 中，輸入權(quán)值和隱含層偏差被隨機(jī)初始化給定，輸出權(quán)值矩陣?yán)脧V義逆( mp) 計算得到。相比傳統(tǒng)前饋神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，elm學(xué)習(xí)速度更快、精度更高、參數(shù)調(diào)整簡單由于隨...
內(nèi)容介紹
此文檔由會員 那年三月 發(fā)布
基于粒子群優(yōu)化的極端學(xué)習(xí)機(jī)的研究及其應(yīng)用
摘 要 Huang 等人在2004 年提出了一種新型的前饋神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法，即極限學(xué)習(xí)機(jī)( ELM) 。在ELM 中，輸入權(quán)值和隱含層偏差被隨機(jī)初始化給定，輸出權(quán)值矩陣?yán)脧V義逆( MP) 計算得到。相比傳統(tǒng)前饋神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，ELM學(xué)習(xí)速度更快、精度更高、參數(shù)調(diào)整簡單由于隨機(jī)給定輸入權(quán)值和偏差，ELM 通常需要較多隱含層節(jié)點(diǎn)才能達(dá)到理想精度。
本課題通過利用微粒群優(yōu)化算法（PSO）對神經(jīng)網(wǎng)絡(luò)輸入層權(quán)值和隱層閾值、隱節(jié)點(diǎn)數(shù)目進(jìn)行優(yōu)選來達(dá)到降低隱節(jié)點(diǎn)數(shù)目降低隱層輸出矩陣條件數(shù)的目的，從而提高ELM的收斂性能。相比于ELM 算法和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法，粒子群極限學(xué)習(xí)機(jī)算法依靠較少的隱含層節(jié)點(diǎn)能夠獲得較高精度。
