极限学习机 订阅
极限学习机(Extreme Learning Machine, ELM)或“超限学习机”是一类基于前馈神经网络(Feedforward Neuron Network, FNN)构建的机器学习系统或方法,适用于监督学习和非监督学习问题 [1]  。ELM在研究中被视为一类特殊的FNN,或对FNN及其反向传播算法的改进,其特点是隐含层节点的权重为随机或人为给定的,且不需要更新,学习过程仅计算输出权重 [2]  。传统的ELM具有单隐含层,在与其它浅层学习系统,例如单层感知机(single layer perceptron)和支持向量机(Support Vector Machine, SVM)相比较时,被认为在学习速率和泛化能力方面可能具有优势 [2]  。ELM的一些改进版本通过引入自编码器构筑或堆叠隐含层获得了深度结构,能够进行表征学习 [3-4]  。ELM的应用包括计算机视觉和生物信息学,也被应用于一些地球科学、环境科学中的回归问题 [1]  。 展开全文
极限学习机(Extreme Learning Machine, ELM)或“超限学习机”是一类基于前馈神经网络(Feedforward Neuron Network, FNN)构建的机器学习系统或方法,适用于监督学习和非监督学习问题 [1]  。ELM在研究中被视为一类特殊的FNN,或对FNN及其反向传播算法的改进,其特点是隐含层节点的权重为随机或人为给定的,且不需要更新,学习过程仅计算输出权重 [2]  。传统的ELM具有单隐含层,在与其它浅层学习系统,例如单层感知机(single layer perceptron)和支持向量机(Support Vector Machine, SVM)相比较时,被认为在学习速率和泛化能力方面可能具有优势 [2]  。ELM的一些改进版本通过引入自编码器构筑或堆叠隐含层获得了深度结构,能够进行表征学习 [3-4]  。ELM的应用包括计算机视觉和生物信息学,也被应用于一些地球科学、环境科学中的回归问题 [1]  。
信息
外文名
Extreme Learning Machine, ELM
提出时间
2004年
提出者
Guang-Bin Huang,Qin-Yu Zhu,Chee-Kheong Siew
类    型
机器学习算法,神经网络算法
中文名
极限学习机
学    科
人工智能
应    用
计算机视觉,生物信息学,环境科学
极限学习机历史
极限学习机(Extreme Learning Machine, ELM)在2004年由南洋理工大学的Guang-Bin Huang、Qin-Yu Zhu和Chee-Kheong Siew提出,并发表于当年的IEEE国际交互会议(IEEE International Joint Conference)中,目的是为了对反向传播算法(Backward Probagation, BP)进行改进以提升学习效率低并简化学习参数的设定 [5-6]  。2006年,ELM原作者在对算法进行了进一步的测评后,将结论发表至Neurocomputing并得到了关注 [2]  。ELM提出时是为监督学习问题而设计的,但在随后的研究中,其应用范围得到了推广,包括以聚类为代表的非监督学习问题 [7]  ,并出现了具有表征学习能力的变体和改进算法 [8]  。
收起全文
精华内容
下载资源
问答

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 30,383
精华内容 12,153
关键字:

极限学习机