基于超限学习机的几种增量算法研究

《基于超限学习机的几种增量算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、学捉代码１０３４５研究类型基础研究旅＾＾巧絶大《（｜｜｜ＴＹＩＶＥＲＳＩＺＨＥＩＩＡＮＣＮＯＲＭＡＬＵＮ－？■ｒ？／．－－．—■．：軍硕去学位论文巧目：基于超限学习妍的几种巧量算法研究学科专化：计其數学；２０１３２１０４２７年化：２０１３纹学号，：谢林森研《生：任婷婷指导教师＿中困分类号；ＴＰ１８３论文提史时阀：２０１６年５月基于超限学习机的几种増量算法研究Ｓｅｖｅｒａｌｉｎｃｒｅｍｅｎｔａｌａｌ

2、ｇｏｒ化ｈｍｓｂａｓｅｄｏｎｅｘｔｒｅｍｅｌｅａｒｎｉｎｍａｃｈｉｎｅｇ作者：任婷婷Ａｕｔｈｏｒ：ＲｅｎＴｉｎｇｔｉｎｇ指导教，币：谢林森Ｓｕｐｅｒｖｉｓｏｒ：ＸｉｅＬｉｎｓｅｎ专业：计算數学Ｍａｏｒ：ＣｏｍｐｕｔａｔｉｏｎａｌＭａｔｈｅｍａｔｉｃｓｊ去ｔ学位：理学巧去Ｄｅｒｅｅ：ＭａｓｅｒｏｆＳｃｉｅｎｃｅｇ授予单位：浙江！／币范大学Ｉｎｓｔｉｔｕｔｅ：ＺｈｅｊｉａｎｇＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙＭ

3、ａｙ２０１６，摘要一种新型学习方法因其算法结构简单，超限学习机是针对单隐层前馈神经网络的，学习速度快良的特性而日渐被研究人员关注．但在实际的应，Ｗ及良好的泛化性能等优＂＂兀余数据等．剔，需剔除某些数据如脏数据，用中在則练网络完成后，，如果因需要，但对于大数据会增加很多额除或替换后传统的超限学习机需要重新训练整个网络，，，一问题在超限学习机算法的基础上提出了剔除训练样本的在．针对这外的训练时间，，：即剔除或替换训练样本后不需要线负增量学习算法和替换训练样本的增量

4、学习算法，再重新训练整个网络而只要在原有结果的基础上网络训练－，通过更新外权矩阵来完成，提出了増加隐层节点的増量算法：即当除此之外，，在误差最小化超限学习机的基础上无需重新计算从而提高增加隐层节点后，，，测试样本的输出结果在原有结果上进行更新运行效率．本文主要研究内容如下；第一章阐述了超限学习机的原理及研究现状了本文的研究内容及研究意，简单总结义及与传统神经网络研究算法相比较的优势？，第二章研究了剔除训练样本的在线负增量学习算法，剔除数据后，首先利用增量学出更新后的外

5、权矩阵因此不需要重新训练整习的思想在原有训练结果的基础上计算，，个网络出结果的更新．文中分别从算法复杂性和仿真实验两方，进而完成对测试样本输面分析验证本节算法更具有速度优势－习算法替换数据后运用第二章中的在线负第Ｈ章研巧了替换训练样本的增量学，，进而对测试样本输出结增量算法和在线序列增量算法的思想设计该算法的外权矩阵，，．果进行更新．算法复杂性分析和仿真实验的结果表明该算法具有更高的运行效率习算法加隐层节点后利用误差最小化超第四章研巧了增加隐层节点的增量学，增，一限学

6、习机得到更新的外权矩阵步研究了测试样本输出结果在原有结果上的更新，，进算法复杂性分析和仿真实验的结果显示该算法比超限学习机算法的运行效率局■＝第五章总结了文中基于超限学习机的种増量学习算法．关键词：超限学习机；增量学习算法，算法复杂性；仿真实验ＡｂｓｔｒａｃｔＥｘｔｒｅｍｅｌｅａｒｎｉｎｇｍａｃｈｉ打ｅｗｈｉｃｈｉｓｕｓｅｄｔｏｔｒａｉｎｓｉｎｇｌｅｈｉｄｄｅ打ｌａｙｅｒｆｅｅｄｆｏｒｗａｒｄ打ｅｔｗｏｒｋａｌｏｒｉｔｈｍ．Ｉｌｅｓｅａｒｃｈｅｒ

7、ｓａｉｓａ打ｅｗｌｅ过ｍｉ打ｇｍｏｒｅａｔｔｅ打ｔｉｏ打ｔｏｅｘｔｒｅｍｅｌｅａｒ打ｉ打ｇｐｙｇ＂ｍａｃｈｉｎｅｄｕｅｔｏ４ｔｓｓｉｍｌｉｆｉｃａｔｉｏｎｆａｓｔｌｅａｒｎｉｎｇｓｐｅｅｄａｎｄｏｏｄｅｒｆｏｒｍａｎｃｅ．Ｗｅｃａｎｐ，ｇｐｄｅａｌｗ化ｈｓｏｍｅｄａｔａｔｈａｔ打ｅｅｄｅｄｔｏｂｅｅｌｉｍｉｎａｔｅｄｓｕｃｈａｓｄｉｒｔｄａｔａａｎｄｒｅｄｕｎｄａｎｔ，ｙｄａｔａａｆｔｅｒｅｘｔｒｅｍｅｌｅａｒ

8、ｎｉｎｍａｃｈｉ打ｅｉｓｕｓｅｄｔｏｔｒａｉ打ｔｈｅｓｉ打ｌｅｈｉｄｄｅ打ｌａｅｒｆｅｅｄｆｏｒｗａｒｄ，ｇｇｙｎｅｔｗｏｒｋ．Ｈｏｗｅｖｅｒｉｔｗｉｌｌｃｏｎｓｕｍｅｍｃｈｔｉｍｅｉｆｗｅｕｓｅｅｘｔｒｅｍｅｌｅａｒａｉ打ｈｉ打ｅｔｏｔａｉｎ，ｕｇｒａｉａｃｒｔｈｅｗｈｏｌｅ打ｅｔｗｏｒｋａ呂ａｉｎｅｓｐｅｃｉａｌｌｆｏｒｂｉｄａｔａ．Ｔｈｉｓａｐｅｒｏｐｏｓｅｓｏ打ｅｏ打ｌｉ打ｅ打ｅａｔｉｖｅ，ｙｇｐｐｒｇｉ