极限学习机在岩性识别中的应用

被引：67

作者：

蔡磊

程国建

潘华贤

机构：

[1] 西安石油大学计算机学院

来源：

计算机工程与设计 | 2010年 / 31卷 / 09期

关键词：

机器学习; 极限学习机; 前馈神经网络; 岩性识别; 支持向量机;

D O I：

10.16208/j.issn1000-7024.2010.09.067

中图分类号：

TP183 [人工神经网络与计算];

学科分类号：

140502 [人工智能];

摘要：

基于传统支持向量机(SVM)训练速度慢、参数选择难等问题,提出了基于极限学习机(ELM)的岩性识别。该算法是一种新的单隐层前馈神经网络(SLFNs)学习算法,不但可以简化参数选择过程,而且可以提高网络的训练速度。在确定了最优参数的基础上,建立了ELM的岩性分类模型,并且将ELM的分类结果与SVM进行对比。实验结果表明,ELM以较少的神经元个数获得与SVM相当的分类正确率,并且ELM参数选择比SVM简便,有效降低了训练速度,表明了ELM应用于岩性识别的可行性和算法的有效性。

引用

页码：2010 / 2012

页数：3

共 7 条

[1]

Extreme learning machine: Theory and applications.[J].Guang-Bin Huang;Qin-Yu Zhu;Chee-Kheong Siew.Neurocomputing.2006, 1

[2]

Fully complex extreme learning machine.[J].Ming-Bin Li;Guang-Bin Huang;P. Saratchandran;N. Sundararajan.Neurocomputing.2005,

[3]

基于主成分分析的BP神经网络在岩性识别中的应用 [J].