资源描述：
《极限学习机算法的改进与应用》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、分类号：学校代码：10165密级：学号：201511000938硕士学位论文极限学习机算法的改进与应用TheImprovementandApplicationofTheExtremeLearningMachineAlgorithm作者姓名：杨伊学科、专业：教育技术学研究方向：模式识别导师姓名：闫德勤教授2018年6月辽宁师范大学硕士学位论文摘要随着科技发展，人们面临着不断增加的海量数据，信息的有效处理就变得尤为重要，机器学习技术成为重要的工具。在机器学习中，极限学习机(Extremelearningmachine,ELM)以
2、其简洁的理论和易于实施的优点受到了广泛关注，被应用于不平衡数据学习、噪音及缺失数据学习、特征提取、人脸识别、遥感图像等多种领域。尽管ELM在许多研究中具有良好的表现，仍存在需要改进的问题。例如现实中，由于数据的不平衡分布、及其具有冗余信息、带有噪音以及离群点，这些情况都对极限学习机的分类准确率造成严重影响。在高光谱遥感图像分类中，由于未充分考虑数据样本之间的几何特征和数据蕴含的判别信息，使得极限学习机学习不充分，从而影响了极限学习机的泛化能力。本文针对上述两个问题对极限学习机进行了研究，主要研究成果如下：1)在应用ELM分类
3、的过程中，数据会具有冗余信息、存在噪音、离群点以及不平衡分布现象，这对分类效果产生极大影响。本文针对此现象将粗糙集理论与极限学习机模型相结合，利用粗糙集刻画数据间的关系。提出粗糙极限学习机(RoughExtremelearningmachine,RELM)。通过在UCI数据集上的对比实验，与ELM、NFELM、RAFELM算法相比，证明本文所提出的算法具有较好的分类效果。2）在高光谱遥感图像分类中，极限学习机算法不能较好地利用数据蕴含的判别信息，限制了ELM的分类性能。为此，提出一种基于判别信息的极限学习机(Discrimi
4、nativeinformationextremelearningmachine，IELM)。IELM算法将数据样本的几何特征和数据样本蕴含的判别信息引入到ELM模型中，优化极端学习机的输出权值，从而在一定程度上提高ELM的分类性能和泛化能力。通过对高光谱遥感图像分类实验，与CRNN，SVM，ELM算法进行对比，实验表明本文所提出的算法具有较好的分类效果。关键词：机器学习；极限学习机；粗糙集；遥感图像-I-极限学习机算法的改进与应用TheImprovementandApplicationoftheExtremeLearning
5、MachineAlgorithmAbstractAsthedevelopmentofscienceandtechnology,theeffectiveprocessingofinformationbecomesparticularlyimportantaspeoplearefacingincreasingamountsofdata,andmachinelearningtechnologyturnsintoanimportanttool.Asonelearningtechniqueofmachinelearning,Extre
6、meLearningMachines(ELM),withitssimpletheoryandeasyimplementation,hasattractedwidespreadattentionandisappliedtovariousfieldsincludingimbalanceddatalearning,noiseandmissingdatalearning,featureextraction,facerecognition,remotesensingimageandsoon.Despiteitsgoodperforma
7、nceinmanystudies,ELMstillhassomeshortcomings.Forexample,seriousimpactscanbefoundontheclassificationaccuracyduetoirregulardistributionsofdata,redundantinformation,thenoisesetc.Intheclassificationofhyperspectralremotesensingimages,thegeometriccharacteristicsbetweenda
8、tasamplesandthediscriminativeinformationcontainedinthedataarenotfullyconsidered,makingtheELMlearninginsufficientandthusaffectingthegeneralization
