极限学习机的输入权重是随机生成的，这个因此每次的结果不一致。因此采用主成分分析，将原始数据降到N维（所设的隐含层节点数）。将得到的pca降维变换矩阵作为极限学习机的输入权重，效果更佳稳定
2020-01-03 11:32:32
4.64MB
1
由于神经网络具有拟合非线性的能力,所以可以用神经网络来处理内部模型的非线性特性,因此这种内部模型采用神经网络的非线性PLS方法得到了广泛的应用。传统的前馈神经网络在训练中采用梯度学习算法,网络中的参数需要迭代更新,不仅训练时间长,而且容易导致局部极小和过度训练等问题,另外其多隐层的结构也导致了样本训练速度慢,训练误差大"此外,Bartlett提出对于已达到最小训练误差的前馈神经网络,权值越小泛化特性越好,而传统的梯度学习算法仅仅考虑训练误差最小,忽视了权值大小对网络的影响,这些问题都将影响到模型的泛化特性。
2019-12-21 22:20:27
16KB
1
提出一种基于粒子群算法优化极限学习机算法。采用粒子群算法对极限学习机参数进行优化,最后在Matlab平台进行仿真对比实验。
2019-12-21 21:56:14
2KB
1