高级搜索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

融合极限学习机

张文博 姬红兵

张文博, 姬红兵. 融合极限学习机[J]. 电子与信息学报, 2013, 35(11): 2728-2732. doi: 10.3724/SP.J.1146.2013.00251
引用本文: 张文博, 姬红兵. 融合极限学习机[J]. 电子与信息学报, 2013, 35(11): 2728-2732. doi: 10.3724/SP.J.1146.2013.00251
Zhang Wen-Bo, Ji Hong-Bing. Fusion of Extreme Learning Machines[J]. Journal of Electronics and Information Technology, 2013, 35(11): 2728-2732. doi: 10.3724/SP.J.1146.2013.00251
Citation: Zhang Wen-Bo, Ji Hong-Bing. Fusion of Extreme Learning Machines[J]. Journal of Electronics and Information Technology, 2013, 35(11): 2728-2732. doi: 10.3724/SP.J.1146.2013.00251

融合极限学习机

doi: 10.3724/SP.J.1146.2013.00251
基金项目: 

国家自然科学基金(60871074)资助课题

Fusion of Extreme Learning Machines

  • 摘要: 为提高极限学习机(Extreme Learning Machine, ELM)的分类性能,同时保留其训练速度快的优点,该文提出融合ELM的方法,详细分析了特征级融合及决策级融合两种实现方式。为实现决策级融合ELM,提出概率极限学习机(Probabilistic ELM, PELM),将传统ELM的数值型输出转化为概率型输出,使得不同特征的判决结果统一在固定范围。在此基础上,采用自适应权值的方式实现决策级融合,该方法充分考虑了分类器针对不同特征的判决准确率差异,无需先验知识及主观定义。实验证明,该文提出的融合ELM相较于传统的单一特征支持向量机(SVM)方法及ELM方法,具有更优的分类性能;在训练时间方面,优于SVM方法。
  • 加载中
计量
  • 文章访问数:  2132
  • HTML全文浏览量:  53
  • PDF下载量:  3451
  • 被引次数: 0
出版历程
  • 收稿日期:  2013-03-04
  • 修回日期:  2013-05-17
  • 刊出日期:  2013-11-19

目录

    /

    返回文章
    返回

    官方微信,欢迎关注