新型双隐层极限学习机及其应用

《新型双隐层极限学习机及其应用》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、学校代码10459学号或申请号201312182156密级硕士学位论文新型双隐层极限学习机及其应用作者姓名：郎波霏导师姓名：梁静教授学科门类：工学专业名称：控制理论与控制工程培养院系：电气工程学院完成时间：2016年5月AthesissubmittedtoZhengzhouUniversityforthedegreeofMasterANovelTwo-hidden-layerExtremeLearningMachineandItsApplicationByBofeiLangSupervisor:Prof.JingLiangControlT

2、heoryandControlEngineeringSchoolofElectricalEngineeringMay,2016学位论文原创性声明本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立进行研巧所取得的成果。除文中己经注明引用的内容外，本论文不包含任何其他个人或集体己经发表或。己在文中ｔｕ明确方式撰写过的科研成果对本文的研究做出重要贡献的个人和集体，均标明。。本声明的法律责任由本人承担学位论文作者：＾银兴曰期：／会年／月Ｊ曰学位论文使用授权声明。本人在导师指导下完成的论文及相关的职务作品，知

3、识产权归属郑州大学根据郑、州大学有关保留使用学位论文的规定，同意学校保留或向国家有关部口或机构送交论＾文的复印件和电子版，允许论文被查阅和借阅；本人授权郑州大学可１＾将本学位论文的全部或部分编入有关数据库进行检索，可レッ采用影印、缩印或者其他复制手段保存论文和汇编本学位论文。本人离校后发表、使用学位论文或与该学位论文直接相关的学术论一文或成果时。，第署名单位仍然为郑州大学。保密论文在解密后应遵守此规定学位论文作者：却ｉ巧曰期：年＾月＞曰摘要近年来，智能手表，智能手环等一系列可穿戴式智能设备逐渐受到越来越

4、多人们的关注和喜爱。精致小巧是这些便携设备的优点。但是，不可否认的是，在这众多的可穿戴设备之中，总有一些设备因为存储空间有限而达不到令客户满意的分类精度。为了解决这个问题，本文提出了一种新型的双隐层极限学习机（Two-hidden-layerExtremeLearningMachine,TELM）。这种算法是在基本的极限学习机（ExtremeLearningMachine,ELM）的单隐层前馈神经网络（Single-hidden-layerFeedforwardNeuralNetwork,SLFN）结构的基础之上，又添加了一个隐层。所以，

5、从结构上来说，它属于一种双隐层前馈神经网络（Two-hidden-layerFeedforwardNeuralNetwork,TLFN）算法。具体说来，就是它的第一层隐层的参数（输入层与第一层隐层的之间的连接权值、第一层隐层的偏置）同基本的极限学习机一样是随机产生的。而它的第二层隐层的参数（第一层隐层与第二层隐层的之间的连接权值、第二层隐层的偏置）是通过我们引入的一种新颖的参数求解方法计算得出的。实验表明，相比于ELM及一些多隐层ELM算法，该算法仅需设置较少的隐层节点，就可达到较高的精度，并且具有较强的鲁棒性。可以为一些便携智能设备在有

6、限的存储容量条件下，精度如何大幅提高提供了一条行之有效的解决方案。算法的实用性较强。本文主要完成了以下工作：首先，简述了极限学习机的研究背景及意义。其次，着重介绍了极限学习机的一些基本原理及概念，并对传统的极限学习机的优缺点进行了较为详细的分析与论述。在此基础上，又对近年来不断涌现的一些极限学习机的改进算法和与之相关的应用进行了综述。再次，重点论述了本文提出的一种新型的双隐层极限学习机（Two-hidden-layerExtremeLearningMachine,TELM）的算法思想，基本原理及相关推导等。在这一算法中，它第一层隐层的参数

7、同传统的极限学习机一样是随机产生的，这样做既保留了传统的ELM的特色，又保证了算法的较快的训练速度。而TELM第二层隐层的参数的求解是通过我们引入的一种新颖的参数求解方法算出的。通过这种参数求解方法来寻求一个输入空间与输出空间的更好的映射关系，从而提高算法的精度。在实验测评部分，通过对3个不同性质的I优化函数进行的拟合实验、对Vowel、Satellite、Segment、Pendigits、Optdigits这5个不同维数，不同类别数的简单数据集以及对一个数据量较大，维数较高的复杂数据集——MNIST数据集进行的分类实验，表明：该算法仅

8、需设置较少的隐层节点，就可获得较高的训练精度和测试精度，同时，也证明了该算法的可行性和实用性。最后，为了测试这种双隐层极限学习机解决实际问题的能力，又将该算法应用到了新兴的腕部静脉认证系统（W