一種基于極限學(xué)習(xí)機(jī)的分類器及其應(yīng)用研究.pdf

1、從數(shù)據(jù)中發(fā)現(xiàn)知識(shí)是分析復(fù)雜數(shù)據(jù)和建立決策系統(tǒng)的基石，其中模式分類是知識(shí)發(fā)現(xiàn)中的一項(xiàng)重要內(nèi)容。近年來，研究者們廣泛采用人工智能方法來解決模式分類問題，并且在醫(yī)學(xué)診斷、機(jī)械故障診斷、語音識(shí)別、人臉識(shí)別等領(lǐng)域獲得了很好的應(yīng)用。
　　極限學(xué)習(xí)機(jī)(Extreme Learning Machine，ELM)是2006年Huang提出的一種新型人工智能方法。ELM屬于單隱層前饋神經(jīng)網(wǎng)絡(luò)，其學(xué)習(xí)算法能夠在隨機(jī)選擇輸入層權(quán)值的前提下，利用Moore

2、-Penrose廣義逆解析求出輸出層權(quán)值。與傳統(tǒng)的學(xué)習(xí)算法相比，ELM學(xué)習(xí)算法只需設(shè)置隱層節(jié)點(diǎn)個(gè)數(shù)，在算法執(zhí)行過程中不需要調(diào)整輸入權(quán)值以及隱層節(jié)點(diǎn)的偏置，就能獲得唯一的最優(yōu)解析解。因其易于學(xué)習(xí)以及具有很好的魯棒性，ELM近年來在人工智能領(lǐng)域引發(fā)了廣泛關(guān)注和研究熱情。
　　本文采納系統(tǒng)工程思想，利用人工智能、信息科學(xué)等領(lǐng)域的相關(guān)研究成果，從算法機(jī)理和實(shí)際應(yīng)用兩個(gè)方面對(duì)ELM展開研究，主要研究?jī)?nèi)容可以歸納為如下幾個(gè)方面:
　　(

3、1)對(duì)相關(guān)研究工作進(jìn)行綜述。在介紹人工智能的發(fā)展歷程以及幾種經(jīng)典的人工智能分類方法的基礎(chǔ)上，對(duì)極限學(xué)習(xí)機(jī)的原理和研究現(xiàn)狀進(jìn)行了重點(diǎn)闡述。
　　(2)對(duì)ELM的算法機(jī)理進(jìn)行研究。針對(duì)一種Benchmark分類問題，利用仿真實(shí)驗(yàn)探討了訓(xùn)練樣本個(gè)數(shù)、隱層節(jié)點(diǎn)數(shù)、輸入層權(quán)值以及隱層節(jié)點(diǎn)偏置量等四個(gè)重要參數(shù)對(duì)ELM分類器性能的影響程度;此外，還考慮實(shí)際應(yīng)用特點(diǎn)，研究了樣本歸一化處理方法對(duì)ELM分類器性能的影響程度。
　　(3)對(duì)ELM