基于极限学习的深度学习算法

被引：56

作者：

赵志勇 ^{[1
]}

李元香 ^{[1
]}

喻飞 ^{[1
]}

易云飞 ^{[1
,2
]}

机构：

[1] 武汉大学软件工程国家重点实验室

[2] 河池学院计算机与信息工程学院

来源：

计算机工程与设计 | 2015年 / 36卷 / 04期

关键词：

深度学习; 极限学习机; 机器学习; 神经网络; 深度信念网;

D O I：

10.16208/j.issn1000-7024.2015.04.036

中图分类号：

TP181 [自动推理、机器学习];

学科分类号：

140502 [人工智能];

摘要：

在使用传统的全局优化方法对整个深度信念网(DBN)进行优化的过程中需要大量的时间,且基于梯度的优化方法易陷入局部最优。为加快DBN的训练速度,将极限学习机(ELM)运用到DBN模型的训练中。分别将传统DBN与改进后的IDBN算法应用在手写体数据集MNIST、Binary Alphadigits数据集和USPS数据集上,实验结果表明,改进后的IDBN算法能够保证已有的学习准确性,提高学习的速度。

引用

页码：1022 / 1026

页数：5

共 4 条

[1]

Lagrange双支撑向量回归机 [J].

郑逢德 ;

张鸿宾 .

计算机科学, 2011, 38 (12) :247-249+254

[2]

Extreme learning machine for ranking: Generalization analysis and applications.[J].Hong Chen;Jiangtao Peng;Yicong Zhou;Luoqing Li;Zhibin Pan.Neural Networks.2014,

[3]

Architecture selection for networks trained with extreme learning machine using localized generalization error model [J].

Wang, Xi-zhao ;

Shao, Qing-yan ;

Miao, Qing ;

Zhai, Jun-hai .

NEUROCOMPUTING, 2013, 102 :3-9

[4]

Regional landslide susceptibility analysis using back-propagation neural network model at Cameron Highland, Malaysia [J].

Pradhan, Biswajeet ;

Lee, Saro .

LANDSLIDES, 2010, 7 (01) :13-30

← 1 →