基于ELM與非負(fù)矩陣分解的機(jī)器學(xué)習(xí)算法研究.pdf

1、極限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)在機(jī)器學(xué)習(xí)領(lǐng)域上是一種極具競(jìng)爭(zhēng)力的學(xué)習(xí)算法，它結(jié)構(gòu)簡(jiǎn)單，學(xué)習(xí)速度很快，與傳統(tǒng)的檢測(cè)技術(shù)支持向量機(jī)(Support Vector Machine,SVM)相比，在實(shí)際的檢測(cè)中能更加準(zhǔn)確高效的識(shí)別錯(cuò)誤。另外，仿真結(jié)果顯示，ELM有很強(qiáng)的擴(kuò)展性，泛化能力也較好，因而在很多領(lǐng)域都有其相關(guān)應(yīng)用。
　　而Adaboost(Adaptive Boosting)是一種最流行的分

2、類器集成算法，意在提高分類的傳統(tǒng)性能。傳統(tǒng)的分類算法往往只針對(duì)于兩類問題的處理，如支持向量機(jī)。雖然也有一些針對(duì)多分類問題的算法，但通常計(jì)算的復(fù)雜度較高或者算法的識(shí)別準(zhǔn)確性不是很好。但到目前為止很少有將ELM與Adaboost相結(jié)合直接用于處理多分類問題的算法。鑒于此，本文提出了一個(gè)將ELM作為基礎(chǔ)分類器，以多類Adaboost算法為核心，并結(jié)合基于人臉識(shí)別的局部二值模式算法（Local Binary Pattern,LBP），用于處理多

3、類人臉圖像識(shí)別的問題。在實(shí)驗(yàn)中證明本算法較原始ELM算法的有效性。
　　另一方面，隨著信息技術(shù)的高速發(fā)展，隨之而來的是大量復(fù)雜的高維數(shù)據(jù)。它們的日益劇增無疑給機(jī)器學(xué)習(xí)帶來了挑戰(zhàn)。而非負(fù)矩陣分解(Nonnegtive Matrix Factorization,NMF)是一個(gè)高效的降維方法，也在很多領(lǐng)域有其應(yīng)用。
　　在學(xué)習(xí)了目前所存在的各種有效的NMF算法之后，本文提出了一個(gè)新的算法，在原有的NMF基礎(chǔ)上添加了正交非單位化以及