-
题名神经网络极速学习方法研究
被引量：163
- 1
-
-
作者
邓万宇
郑庆华
陈琳
许学斌
-
机构
西安交通大学电信学院计算机系智能网络与网络安全教育部重点实验室
西安邮电学院计算机科学与技术系
-
出处
《计算机学报》
EI
CSCD
北大核心
2010年第2期279-287,共9页
-
基金
国家自然科学基金(60825202
60803079
+7 种基金
60633020)
国家"八六三"高技术研究发展计划项目基金(2008AA01Z131)
国家科技支撑计划项目(2006BAK11B02
2006BAJ07B06
2008BAH26B02
2009BAH51B00)
中国科学院复杂系统与智能研究科学重点实验室开放基金资助项目(20080101)
陕西省教育厅科学研究计划项目(09JK717)资助
-
文摘
单隐藏层前馈神经网络(Single-hidden Layer Feedforward Neural Network,SLFN)已经在模式识别、自动控制及数据挖掘等领域取得了广泛的应用,但传统学习方法的速度远远不能满足实际的需要,成为制约其发展的主要瓶颈.产生这种情况的两个主要原因是:(1)传统的误差反向传播方法(Back Propagation,BP)主要基于梯度下降的思想,需要多次迭代;(2)网络的所有参数都需要在训练过程中迭代确定.因此算法的计算量和搜索空间很大.针对以上问题,借鉴ELM的一次学习思想并基于结构风险最小化理论提出一种快速学习方法(RELM),避免了多次迭代和局部最小值,具有良好的泛化性、鲁棒性与可控性.实验表明RELM综合性能优于ELM、BP和SVM.
-
关键词
极速学习机
正则极速学习机
支持向量机
结构风险
神经网络
最小二乘
-
Keywords
extreme learning machine
regularized extreme learning machine
support vector ma-chine
structural risk
neural network
least square
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名光纤安防系统中振动信号的特征提取和识别
被引量：17
- 2
-
-
作者
邹柏贤
许少武
苗军
逯燕玲
-
机构
北京联合大学应用文理学院
北京信息科技大学计算机学院
网络文化与数字传播北京市重点实验室(北京信息科技大学)
-
出处
《计算机研究与发展》
EI
CSCD
北大核心
2019年第9期1859-1871,共13页
-
基金
国家自然科学基金项目(41671165,61650201)
北京市教委科技计划项目(KM201911232003)
+1 种基金
北京未来芯片技术高精尖创新中心科研基金项目(KYJJ2018004)
北京市属高校高水平教师队伍建设支持计划高水平创新团队建设计划项目(IDHT20180515)~~
-
文摘
利用光纤振动传感器可以实现分布式周界安防监测,进而实现自动报警.对周界安防监测信号的分析处理和识别受到业界关注.对光纤信号的特征提取和识别方法进行综述,这些特征提取方法通过对光纤振动信号的时域这个维度进行各种分解,从而提取各种信号的属性特征;对光纤振动信号的识别主要使用经验阈值、神经网络、支持向量机方法,目前这些方法对光纤入侵事件识别效果还不能令人满意.通过实验采集挖掘机挖掘、人工挖掘、汽车行驶、行人和自然环境噪声这5种入侵行为引起的光纤振动信号数据,并进行数据的3维图形可视化分析,提出一种安防监测信号在时域和空域这2个维度信息的特征提取方法;根据光纤振动入侵事件的重要程度分成4个阶段先后完成识别任务,采用2分类任务决策树模型和约束极速学习机算法识别入侵事件类型,提高了对各类事件的正确识别率.
-
关键词
入侵事件
实验样本
基于类间样本差向量的约束极速学习机
基于混合向量的约束极速学习机
识别率
-
Keywords
intrusion event
experimental sample
constrained difference extreme learning machine (CDELM)
constrained mixed extreme learning machine (CMELM)
recognition rate
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
-
题名一种粒子群优化的SVM-ELM模型
被引量：11
- 3
-
-
作者
王丽娟
丁世飞
-
机构
中国矿业大学计算机科学与技术学院
徐州工业职业技术学院信息与电气工程学院
-
出处
《计算机科学与探索》
CSCD
北大核心
2019年第4期657-665,共9页
-
基金
国家自然科学基金(Nos.61672522
61379101)~~
-
文摘
极限学习机(extreme learning machine,ELM)是一种简单易用、有效的单隐层前馈神经网络(single hidden layer feedforward neural networks,SLFNs)学习算法,近几年来已成为机器学习研究的热门领域之一。但是ELM单个隐层节点的判断能力不足,分类正确率的高低在一定程度上取决于隐层节点数。为了提高ELM单个隐层节点的判断能力,将支持向量机(support vector machine,SVM)和ELM结合,建立一种精简的SVM-ELM模型。同时,该模型为了避免人为选择参数的主观性,利用粒子群算法(particle swarm optimization,PSO)的全局搜索最优解对参数进行自动优化选取,建立了PSO-SVM-ELM模型。实验证明,该模型较SVMELM和ELM分类精度有较大的提高,具有很好的稳健性和泛化性。
-
关键词
粒子群算法(PSO)
支持向量机(SVM)
极速学习机(ELM)
SVM-ELM
-
Keywords
particle swarm optimization(PSO)
support vector machine(SVM)
extreme learning machine(ELM)
SVM-ELM
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
