OP-ELM公司

最优剪枝极限学习机。本文提出了最优剪枝极端学习机(OP-ELM)方法。它是在原有的极限学习机(ELM)算法的基础上增加了一些步骤,使其更加健壮和通用。详细介绍了整个方法,并将其应用于几个回归和分类问题。计算时间和精度(均方误差)的结果与原始ELM和其他三种广泛使用的方法进行了比较:多层感知器(MLP)、支持向量机(SVM)和高斯过程(GP)。正如回归和分类实验所表明的那样,除了原始的ELM方法外,所提出的OP-ELM方法比本文中使用的其他算法快几个数量级。尽管该算法简单、快速,但它仍然能够保持与支持向量机相当的精度。OP-ELM的工具箱在网上公开。


zbMATH参考文献(参考 21篇文章 参考)

显示第1到第20个结果,共21个。
按年份排序(引用)
  1. Wang,Kuaini;Cao,Jinde;Pei,Huimin:基于迭代加权算法的异常值存在下的鲁棒极值学习机(2020)
  2. 陈创泉;冯志文;王志文;王伟儒;王柏金:基于非常稀疏随机投影的高效极限学习机器(2018)
  3. Roshan,Setareh;Miche,Yoan;Akusok,Anton;Lendasse,Amaury:使用群集和极限学习机器的自适应和在线网络入侵检测系统(2018)
  4. 梅颖;谭冠正;刘振涛:一种改进的基于大脑的情感学习算法快速分类(2017)
  5. 赵永平:基于Cholesky分解的简约核极限学习机(2016)
  6. 曹久文;林志平:高维大数据应用的极限学习机器:一项调查(2015)
  7. 丁世飞;张楠;徐新政;郭丽丽;张健:深度极限学习机及其在脑电分类中的应用(2015)
  8. 黄,高;黄,广斌;宋,石集;游,可友:极限学习机器的趋势:回顾(2015)
  9. 张艳军;李铁军;纳广宇;李国庆;李国庆;杨莉:基于同步相量的电力系统暂态稳定预测优化极值学习机(2015)
  10. Fink,Olga;Zio,Enrico;Weidmann,Ulrich:量化故障分类器的可靠性(2014)ioport公司
  11. Grigorievskiy,Alexander;Miche,Yoan;Ventelä,Anne Mari;Séverin,Eric;Lendasse,Amaury:使用OP-ELM进行长期时间序列预测(2014)
  12. Liu,Nan;Cao,Jiuwen;Koh,Zhi Xiong;Pek,Pin Pin;Ong,Marcus Eng Hock:用极限学习机进行风险分层:急诊患者的回顾性研究(2014)
  13. Augasta,M.Gethsiyal;Kathirvalavakumar,T.:神经网络的修剪算法——比较研究(2013)ioport公司
  14. Bueno Crespo,Andrés;García-Laencina,Pedro J.;Sancho-Gómez,José-Luis:基于极限学习机器的神经架构设计(2013)ioport公司
  15. 曹久文;林志平;黄光斌;刘楠:基于投票的极限学习机器(2012)ioport公司
  16. Romero,Enrique;Alquézar,René:比较误差最小化极限学习机器和支持向量序列前馈神经网络(2012)ioport公司
  17. 王盖堂;李平;曹江涛:基于残差预测补偿的变激活函数极值学习机(2012)ioport公司
  18. Wang,Ran;Kwong,Sam;Wang,Xizhao:极端学习机中输入层和隐藏层之间的随机权重研究(2012)ioport公司
  19. 赵建伟;朴东升;李俊华;曹飞龙:作用在度量空间上的广义极限学习机(2012)
  20. Pouzols,Federico Montesino;Lendasse,Amaury;Barros,Angel Barriga:使用非参数残差方差估计的模糊推理系统进行自回归时间序列预测(2010)ioport公司