{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期-部件”：[[2024,8,31]]，“日期-时间”：“2024-08-31T17:08:50Z”，“时间戳”：1725124130419}，“引用-计数”：36，“发布者”：“威利”，“问题”：“2”，“许可证”：[{“开始”：{“日期-零件”：[2020,12,11]]，”日期-时间“：”2020-1 2-11T00:00:00Z“，”时间戳“：1607644800000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“http://\/onlinelibrary.wiley.com/termsAndConditions#vor”}]，“内容域”：{“域”：[“onlinelibrary.wiley.com”]，“crossmark-restriction”：true}，“short-container-title”：[”统计分析“]，”published-print“：{”date-parts“：[2021,4]]}，”抽象“：”摘要<\/jats:title>极端学习机（ELM）由于其低计算量和高泛化能力的特点，在模式分类问题中引起了人们的关注。为了克服输入权重和偏差的随机性所带来的缺点，提出了ELM集成。文献中通过使用不同的激活函数和/或不同数量的隐藏神经元，广泛研究了组成集成的ELM的多样性。然而，人们对ELM集成中的聚集机制关注较少。为了加速这个聚合过程，我们提出了一个ELM的集成框架，称为ELM的极端集成（EEoELM），因为它在集成过程中的速度极快。在这个框架中，每个ELM的输入权重像往常一样在2010年之前随机分配。ELM利用相同/不同的激活函数来增加分类器的多样性，从而实现集成的泛化。使用Moore\u2013Penrose逆方法设置每个ELM的输出权重。然而，EEoELM中的聚合机制是新颖的。不再对ELM的预测结果使用多数加权投票，而是将其输出神经元组合到一个新的决策集成层中。该层的输出决定了集合输出。由于该决策层的权重也使用Moore\u2013Penrose逆方法计算，因此集成速度极快。在2010年合成数据集和真实数据集上的实验结果表明，EEoELM的分类性能可以接受，只需较少的计算工作量<\/jats:p>“，”DOI“：”10.1002\/sam.11493“，”type“：”journal-article“，”created“：{”date-parts“：[[2020,12,11]]，”date-time“：”2020-12-11T13:06:30Z“，”timestamp“：1607691990000}，”page“：，“title”：[“极端学习机器的极端集成”]，“前缀“：”10.1002“，”卷“：”14“，”作者“：[{”ORCID“：”http://\/ORCID.org\/0000-0002-8207-5916“，”authenticated-ORCID“：false，”given“：“Eghbal G.”，“family”：“Mansoori”，”sequence“：”first“，”affiliation“：[[{“name”：“伊朗西拉大学电气与计算机工程学院”}]}，{“given”：“Masar”，“家庭”：“Sara”，“sequence”：“additional”，“附属机构：[｛“name”：“伊朗设拉子大学电气与计算机工程学院”｝]，“成员”：“311”，“在线发布”：｛“日期部分”：[[2020，12，11]]｝，“参考”：[｛“key”：“e_1_2_8_2_1”，“doi断言者”：“publisher”，“doi”：“10.1080\/0001706.1973.10489026”｝，｛“key”：“e_1_2_8_3_1”，“doi断言者”：“publisher”，“doi”：“10.1016\/j.patrec.2018.06.015“}，{”key“：”e_1_2_8_4_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1016\/j.ins.2011.09.015”}，“key”：“e_1_i_8_5_1”，“unstructured”：“B.Carlile G.Delamarter P.Kinney A.Marti和B.Whitney.通过平方根线性单位（ISRLU）改进深度学习（2017）。arXiv预打印arXiv。“}，{”key“：”e_1_2_8_6_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1016\/j.neunet.2014.01.015”}，“key”：“e_1_i_8_7_1”，“doi-assert-by”：“publisher”，”doi“：”10.1016\/j.newnet.2018.01.007“}”，{“key“:”e_2_8/_1“2009.2024147“}，{”key“：”e_1_2_8_9_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1016\/j.neucom.200.11.032“｝，｛“key”：“e_1_2_8_10_1”，“doi断言者”：“publisher”，“doi”：“10.1111\/j.1469-1809.1936.tb02137.x”｝，｛“key”：“e_1_2_8_11_1”，“doi断言者”：“publisher”，“doi”：“10.1162\/neco.1989.4.502”｝，｛“key”：“e_1_2_8_12_1”，“doi断言者”：“publisher”，“doi”：“10.1038\/35016072“｝，｛”key“：”e_1_2_8_13_1“，”doi断言“：”publisher“，”DOI“：”10.1016\/j.neucom.2013.01.057“}，{“volume-title”：“神经网络和学习机器”，“year”：“2009”，“author”：“Haykin S.”，“key”：“e_1_2_8_14_1”}，}“key“：”e_1_ce_8_15_1“，”unstructured“：”https:\/\/en.wikipedia.org\/wiki\/Activation_function.“}DOI“：”10.1016\/j.neucom.2007.10.08“}，{“键”：“e_1_2_8_17_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1016\/j.neucom.2010.02.019”}，{“key”：“e_1_i_8_18_1”，“doi-assert-by”：“publisher”，”doi“：”10.1016\/j.neunet.2014.10.001“}，”{“密钥”：“e_1_2_8_19_1”、“doi-aserted-by-by”：“publisher”，“doi:”10.1016 \/j-neucom.2007.025“}，{“键”：“e_1_2_8_20_1”，“doi-asserted-by”：“出版商”，“doi”：“10.1109\/TSMCB.2011.2168604“}，{“key”：“e_1_2_8_21_1”，“doi-asserted-by”：“crossref”，“unstructured”：“G.B.HuangandQ.Y.Zhu SiewCK.极限学习机：前馈神经网络的一种新学习方案Proc.IEEE Int.Joint Conf.neural Network vol.2 2004 pp.985\u2013990.”，《doi》：“10.1109\/IJCNN.2004.1380068”}，“{”key“：”e_2_8-22_1“，”doi-asserted-by“：”publisher“，”doi“：”10.1016\/j.neucom.2005.1226“}，{”key“：”e_1_2_8_23_1“，“doi-assert-by”：“publisher”，“doi”：“10.1016\/j.cose.2019.101655”}，“key”：“e_1_i_8_24_1”，”首页“：”2755“，”article-title“：”动态加权多数：漂移概念的集合方法“，”volume“：“8”，“author”：“Kolter j.Z..“，”年份“：”2007“，”新闻标题“：”J.Mach。学习。研究“}，{“volume-title”：“介绍性数理统计：原理和方法”，“年份”：“1970年”，“作者”：“Kreyszig E.”，“key”：“E_1_2_8_25_1”}，}“key“：”E_1_cu8_26_1“，“doi-asserted-by”：“publisher”，“doi”：“10.1006 \/inco.1994.1009”}j.neucom.2013.02.052“}，{“键”：“E_1_2_8_28_1”，“doi-asserted-by“：”publisher“，”doi“：”10.1016\/j.neucom.2010.12.042“}，{”key“：”e_1_2_8_29_1“，“首页”：“196”，“article-title”：“带多层感知器的扩展分层极端学习机”，“volume”：“10”，“author”：“Phumrattanaprappin K.”，“year”：“2016”，“journal-title“：”ECTI Trans.Comput.Inf.Technoldoi-asserted-by“：”publisher“，”doi“：”10.1016\/j.neunet.2018.05.011“}，{“key”：“e_1_2_8_31_1”，“doi-assert-by”：“publisher”，“doi”：“10.1109\/JSTARS.2014.2301775”}，“key“：”e_1_i_8_32_1“，”doi-asserted-by“_33_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1109\/TNNLS.2015.2513365”}，{“key”：“e_1_2_8_34_1”，“doi由”断言：“publisher”，“doi”：“10.1007\/BF01016429”}，｛“key”：“e_1_2_8_35_1”，“非结构化”：“UCI机器学习库。可在https:\/\/archive.ics.UCI.edu\/ml/datasets.”}，｛“key”：“e_1_2_8_36_1”，“doi由”断言：“publisher”，“doi”：“10.1016\/j.neucom.203.09.042”}，｛“key”：“e_1_2_8 _37_1“，”doi由“：”crossref“断言，”非结构化”：“W.Zhu J.Miao L.Qing和G。Huang 2015年神经网络国际联合会议（IJCNN）第1\u20138页“，”DOI“：”10.1109\/IJCNN.2015.7280669“}]，”container-title“：[“统计分析与数据挖掘：ASA Data Science Journal”]，”original title“：[]，”language“：”en“，”link“：[{”URL“：”https:\/\/onlinelibrary.wiley.com/doi\/pdf\/101002\/sam.11493“，”content-type“：”application\/pdf“，”内容-version“：”vor“，”intended-application“：”text-mining“}，{”URL“：”https:\//onlinelibrary.wiley.com\/doi\/full-xml\/101001\/sam.11493“，mining“}，{”URL“：”https:\/\/onlinelibrary.wiley.com/doi\/pdf\/10.1002\/sam.11493“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[[2024,8,18]]，”date-time“：“2024-08-18T22:35:18Z”，”timestamport“：1724020518000}，”score“：1，”resource“：”{“primary”：{“URL”：“https:\/\/onlinelibrary.wiley.com/doi\/101002\/sam.11493“}}，”副标题“：[]，”短标题“：[]，”已发布“：{”日期部分“：[[2020,12,11]]}，“参考计数”：36，”日志发布“：}”问题“：“2”，“发布-打印”：{“日期部分”：[2021,4]}}“alternative-id”：[“10.1002\/sam.1193”]，“URL”：“http://\/dx.doi.org\/10.1002\/sam.11493”，“存档”：[“Portico”]，“关系“：{}，”ISSN“：[”1932-1864“，”1932-1872“]，”ISSN-type“：[{”type“:”print“，”value“：”1932-11864“}，{”类型“：”electronic“，”value“：”932-1872”}]，“subject”：[]，“published”：{“date-parts”：[[2020,12,11]]}，“assertion”：[{”value：“2020-05-04”，“order”：0，“name”：“received”，“label”：“received”，“group”：{“name”：“publication_history”，“label”：“publication history”}}，{“value“：”2020-11-25“，”order“：1，”name“：”accepted“，”label“：”accepted