[发明专利]极限学习机中超大规模隐含层节点快速选择方法在审
| 申请号： | 201811210166.0 | 申请日： | 2018-10-17 |
| 公开（公告）号： | CN109344963A | 公开（公告）日： | 2019-02-15 |
| 发明（设计）人： | 邓万宇;张莎莎;陈琳 | 申请（专利权）人： | 西安邮电大学 |
| 主分类号： | G06N3/06 | 分类号： | G06N3/06;G06N3/08;G06K9/62 |
| 代理公司： | 西安通大专利代理有限责任公司 61200 | 代理人： | 徐文权 |
| 地址： | 710121 陕西*** | 国省代码： | 陕西;61 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明提出了一种极限学习机中超大规模隐含层节点快速选择方法，在经典ELM算法框架下，拟在单隐层前馈神经网络的隐含层部分加入隐含层节点选择步骤，在大量的隐含层节点中选择出部分有效的隐层节点，组成新的隐含层矩阵，通过Cutting Plane算法对隐含层节点空间进行不断的切割，并配合节点选择阶段与节点权重更新子问题优化两阶段来实现对隐含层节点的快速选择；经过大量的实验数据的性能测试，本文算法的分类准确率相较于传统算法和其余一些算法都有明显提升。 | ||
| 搜索关键词： | 隐含层 快速选择 算法 极限学习机 节点选择 前馈神经网络 矩阵 分类准确率 传统算法 节点空间 节点权重 实验数据 算法框架 性能测试 单隐层 两阶段 子问题 隐层 切割 更新 优化 配合 | ||
【主权项】：
1.极限学习机中超大规模隐含层节点快速选择方法，其特征在于，包括以下步骤：S1，将待训练数据集进行ELM算法的矩阵映射，即将训练数据集按隐含层矩阵计算方法来得到隐含层输出矩阵H；S2，在隐含层输出矩阵H基础上，根据分类误差计算各个节点与类别标签的紧密程度，然后选择紧密程度最为紧密的K个节点；并存入节点结合Ω中；分类误差的初始值为类别标签的向量表示；S3，基于步骤S2中选择的节点构建数据分类器，计算新的分类误差，并依据新的分类误差循环步骤S2和S3直至分类误差满足收敛条件。
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西安邮电大学，未经西安邮电大学许可，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/201811210166.0/，转载请声明来源钻瓜专利网。
