發(fā)布時間：2018-05-31 16:51

  本文選題：極速學(xué)習(xí)機 + 半監(jiān)督學(xué)習(xí)�。� 參考：《軟件學(xué)報》2017年10期

【摘要】：極速學(xué)習(xí)機不僅僅是有效的分類器,還能應(yīng)用到半監(jiān)督學(xué)習(xí)中.但是,半監(jiān)督極速學(xué)習(xí)機和拉普拉斯光滑孿生支持向量機一樣,是一種淺層學(xué)習(xí)算法.深度學(xué)習(xí)實現(xiàn)了復(fù)雜函數(shù)的逼近并緩解了以前多層神經(jīng)網(wǎng)絡(luò)算法的局部最小性問題,目前在機器學(xué)習(xí)領(lǐng)域中引起了廣泛的關(guān)注.多層極速學(xué)習(xí)機(ML-ELM)是根據(jù)深度學(xué)習(xí)和極速學(xué)習(xí)機的思想提出的算法,通過堆疊極速學(xué)習(xí)機-自動編碼器算法(ELM-AE)構(gòu)建多層神經(jīng)網(wǎng)絡(luò)模型,不僅實現(xiàn)了復(fù)雜函數(shù)的逼近,并且訓(xùn)練過程中無需迭代,學(xué)習(xí)效率高.把流形正則化框架引入ML-ELM中,提出拉普拉斯多層極速學(xué)習(xí)機算法(Lap-ML-ELM).然而,ELM-AE不能很好地解決過擬合問題.針對這一問題,把權(quán)值不確定引入ELM-AE中,提出權(quán)值不確定極速學(xué)習(xí)機-自動編碼器算法(WU-ELM-AE),可學(xué)習(xí)到更為魯棒的特征.最后,在前面兩種算法的基礎(chǔ)上提出權(quán)值不確定拉普拉斯多層極速學(xué)習(xí)機算法(WUL-ML-ELM),它堆疊WU-ELM-AE構(gòu)建深度模型,并用流形正則化框架求取輸出權(quán)值.該算法在分類精度上有明顯提高并且不需花費太多的時間.實驗結(jié)果表明,Lap-ML-ELM與WUL-ML-ELM都是有效的半監(jiān)督學(xué)習(xí)算法.
[Abstract]:Extreme learning machine is not only an effective classifier, but also can be applied to semi-supervised learning. However, semi-supervised extreme learning machine is a shallow learning algorithm like Laplacian smooth twin support vector machine. Depth learning realizes the approximation of complex functions and alleviates the problem of local minimization of previous multilayer neural network algorithms, which has attracted wide attention in the field of machine learning. ML-ELM) is an algorithm based on the idea of deep learning and extreme learning machine. The multilayer neural network model is constructed by stacking pole learning machine and automatic encoder algorithm. And the training process does not need iteration, learning efficiency is high. The manifold regularization framework is introduced into ML-ELM, and a Laplacian multilayer extreme learning machine algorithm is proposed. However, ELM-AE can not solve the problem of fitting well. In order to solve this problem, the weight uncertainty is introduced into ELM-AE, and the WU-ELM-AEE algorithm is proposed, which can learn more robust features. Finally, on the basis of the above two algorithms, a Laplace multilayer learning machine with uncertain weights is proposed, which stack WU-ELM-AE to construct the depth model, and use manifold regularization framework to obtain the output weights. The algorithm improves the classification accuracy obviously and does not take too much time. The experimental results show that both Lap-ML-ELM and WUL-ML-ELM are effective semi-supervised learning algorithms.
【作者單位】： 中國礦業(yè)大學(xué)計算機科學(xué)與技術(shù)學(xué)院;中國科學(xué)院計算技術(shù)研究所智能信息處理重點實驗室;
【基金】：國家自然科學(xué)基金(61672522,61379101) 國家重點基礎(chǔ)研究發(fā)展計劃(973)(2013CB329502)~~
【分類號】：TP181

【相似文獻】

相關(guān)期刊論文 前10條

1 劉蓉;李紅艷;;半監(jiān)督學(xué)習(xí)研究與應(yīng)用[J];軟件導(dǎo)刊;2010年08期

2 陳武錦;;半監(jiān)督學(xué)習(xí)研究綜述[J];電腦知識與技術(shù);2011年16期

3 梁吉業(yè);高嘉偉;常瑜;;半監(jiān)督學(xué)習(xí)研究進展[J];山西大學(xué)學(xué)報(自然科學(xué)版);2009年04期

4 唐曉亮;韓敏;;一種基于極端學(xué)習(xí)機的半監(jiān)督學(xué)習(xí)方法[J];大連理工大學(xué)學(xué)報;2010年05期

5 李歡;;半監(jiān)督學(xué)習(xí)及其在數(shù)據(jù)挖掘中的應(yīng)用[J];電腦知識與技術(shù);2010年27期

6 崔鵬;;一種用于半監(jiān)督學(xué)習(xí)的核優(yōu)化設(shè)計[J];軟件工程師;2013年09期

7 王艷華;楊志豪;李彥鵬;唐利娟;林鴻飛;;基于監(jiān)督學(xué)習(xí)和半監(jiān)督學(xué)習(xí)的蛋白質(zhì)關(guān)系抽取[J];江西師范大學(xué)學(xué)報(自然科學(xué)版);2013年04期

8 梅松青;;基于自適應(yīng)圖的半監(jiān)督學(xué)習(xí)方法[J];計算機系統(tǒng)應(yīng)用;2014年02期

9 李燕萍;唐振民;丁輝;張燕;;半監(jiān)督學(xué)習(xí)機制下的說話人辨認(rèn)算法[J];計算機工程;2009年14期

10 郭利強;;網(wǎng)絡(luò)博客空間中基于半監(jiān)督學(xué)習(xí)的垃圾評論檢測[J];圖書情報工作;2012年04期

相關(guān)會議論文 前8條

1 柳斌;李之棠;涂浩;;基于半監(jiān)督學(xué)習(xí)的應(yīng)用流分類方法[A];2010年全國開放式分布與并行計算機學(xué)術(shù)會議論文集[C];2010年

2 葛薦;馬廷淮;;基于集成算法的半監(jiān)督學(xué)習(xí)研究[A];第29屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（B輯）（NDBC2012）[C];2012年

3 趙玲玲;周水生;王雪巖;;基于集成算法的半監(jiān)督學(xué)習(xí)[A];第十四屆全國信號處理學(xué)術(shù)年會(CCSP-2009)論文集[C];2009年

4 谷方明;劉大有;王新穎;;基于半監(jiān)督學(xué)習(xí)的加權(quán)支持向量域數(shù)據(jù)描述方法[A];NDBC2010第27屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集(B輯)[C];2010年

5 馮瑞;宋春林;;一種基于局部學(xué)習(xí)的復(fù)雜系統(tǒng)建模方法[A];2007中國控制與決策學(xué)術(shù)年會論文集[C];2007年

6 陳耀東;王挺;陳火旺;;半監(jiān)督學(xué)習(xí)和主動學(xué)習(xí)相結(jié)合的淺層語義分析[A];第三屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會議論文集[C];2007年

7 楊源;馬云龍;林鴻飛;;基于權(quán)重標(biāo)準(zhǔn)化SimRank與半監(jiān)督學(xué)習(xí)的產(chǎn)品屬性歸類[A];中國計算語言學(xué)研究前沿進展（2009-2011）[C];2011年

8 王倩影;馮國燦;湯鑫;;δ-距離及其在半監(jiān)督增強中的應(yīng)用[A];第十五屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2010年

相關(guān)博士學(xué)位論文 前10條

1 孫博良;在線半監(jiān)督學(xué)習(xí)理論、算法與應(yīng)用研究[D];國防科學(xué)技術(shù)大學(xué);2014年

2 徐雪;樣本的幾何信息在半監(jiān)督學(xué)習(xí)中的應(yīng)用研究[D];中國科學(xué)技術(shù)大學(xué);2010年

3 孔怡青;半監(jiān)督學(xué)習(xí)及其應(yīng)用研究[D];江南大學(xué);2009年

4 蘭遠東;基于圖的半監(jiān)督學(xué)習(xí)理論、算法及應(yīng)用研究[D];華南理工大學(xué);2012年

5 唐曉亮;基于神經(jīng)網(wǎng)絡(luò)的半監(jiān)督學(xué)習(xí)方法研究[D];大連理工大學(xué);2009年

6 余國先;高維數(shù)據(jù)上的半監(jiān)督學(xué)習(xí)研究[D];華南理工大學(xué);2013年

7 潘俊;基于圖的半監(jiān)督學(xué)習(xí)及其應(yīng)用研究[D];浙江大學(xué);2011年

8 王嬌;多視圖的半監(jiān)督學(xué)習(xí)研究[D];北京交通大學(xué);2010年

9 桂杰;基于圖的半監(jiān)督學(xué)習(xí)和維數(shù)約簡方法及其應(yīng)用研究[D];中國科學(xué)技術(shù)大學(xué);2010年

10 薛貞霞;支持向量機及半監(jiān)督學(xué)習(xí)中若干問題的研究[D];西安電子科技大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 李南;基于屬性偏序結(jié)構(gòu)理論的半監(jiān)督學(xué)習(xí)方法研究[D];燕山大學(xué);2015年

2 杜俊;半監(jiān)督學(xué)習(xí)及其在社交媒體分析中的應(yīng)用[D];華北電力大學(xué);2015年

3 曹琳琳;基于低秩描述的自適應(yīng)半監(jiān)督學(xué)習(xí)[D];西安電子科技大學(xué);2015年

4 張甲佳;基于半監(jiān)督學(xué)習(xí)的無線傳感器網(wǎng)絡(luò)節(jié)點定位問題研究[D];西南交通大學(xué);2017年

5 朱東陽;基于主動學(xué)習(xí)和半監(jiān)督學(xué)習(xí)的工業(yè)故障分類研究及應(yīng)用[D];浙江大學(xué);2017年

6 劉偉濤;半監(jiān)督學(xué)習(xí)方法及應(yīng)用研究[D];山東大學(xué);2011年

7 陳新勇;基于核策略的半監(jiān)督學(xué)習(xí)方法研究[D];河北大學(xué);2010年

8 馮元佶;基于圖的半監(jiān)督學(xué)習(xí)的改進研究[D];湘潭大學(xué);2010年

9 黃明明;半監(jiān)督學(xué)習(xí)方法研究及在警用平臺中的應(yīng)用[D];大連理工大學(xué);2010年

10 易星;半監(jiān)督學(xué)習(xí)若干問題的研究[D];清華大學(xué);2004年

，

本文編號：1960591