基于聚类核的核极速学习机
A Novel Extreme Learning Machine Based on Bagged Kernel作者机构:中国矿业大学计算机科学与技术学院江苏徐州221116 徐州工业职业技术学院信息与电气工程学院江苏徐州221140
出 版 物:《南京师大学报(自然科学版)》 (Journal of Nanjing Normal University(Natural Science Edition))
年 卷 期:2019年第42卷第3期
页 面:145-150页
学科分类:08[工学] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:国家自然科学基金项目(61672522、61379501)
主 题:极速学习机 k 均值聚类 Bagged聚类核 RBF核函数
摘 要:传统的神经网络学习算法(如BP算法)需要调整大量的网络参数,例如输入权值以及隐层单元的偏置,而极速学习机只需要设置网络的隐层节点个数,在算法执行过程中不需要调整网络的输入权值,便可以产生唯一的最优解,因此它具有学习速度快且泛化性能好的优点.随着极速学习机的研究发展,核极速学习机的相关理论被提出.核极速学习机是将核函数引入到极速学习机中,可以得到最小二乘解,具有更稳定的泛化性能.本文在核极速学习机的基础上提出了一种基于Bagged聚类核的核极速学习机的分类方法,首先对已有的标记样本和所有的无标记样本采用多次k均值聚类,去构造Bagged聚类核,然后对Bagged聚类核和径向基核进行求和,最终用于核极速学习机的训练中.与传统核极速学习机相比,本文提出的方法可以使用所有的无标记样本,从而尽可能地提高分类的准确率.最后本文通过实验验证了方法的可行性.