一种基于Akaike信息准则的极限学习机

被引：12

作者：

尹建川 ^{[1
,2
]}

邹早建 ^{[1
,3
]}

徐锋 ^{[1
]}

机构：

[1] 上海交通大学船舶海洋与建筑工程学院

[2] 大连海事大学航海学院

[3] 上海交通大学海洋工程国家重点实验室

来源：

山东大学学报(工学版) | 2011年 / 41卷 / 06期

关键词：

极限学习机; Akaike信息准则; 修正Gram-Schmidt算法; 前向神经网络;

D O I：

暂无

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：

为了减小传统的极限学习机网络的规模及提高网络的泛化性能,利用Akaike信息准则作为学习的最优停止准则以选择合适的隐层节点数量,同时利用修正Gram-Schmidt算法自动调整网络参数,提出改进的极限学习机网络构造算法。通过与传统极限学习机在通用标杆问题上的实验结果比较表明,该改进的极限学习机具有更精简的网络结构和更快的学习速度,同时具有良好的学习精度。

引用

页码：7 / 11

页数：5

共 8 条

[1]

ELM-RBF神经网络的智能优化策略 [J].