极限学习机(Extreme Learning Machine, ELM)原理详解和MATLAB实现

baqiao

目录

) ^9 I- G* I7 S# `

引言

, k! J0 j$ q7 z4 M8 G% b3 T" A( R1 ~

极限学习机原理

& V/ s2 H( O9 [3 k  |5 s: ~& h! s, V

MATLAB中重点函数解读

/ m% [8 A9 w1 |6 w0 M" H

极限学习机的MATLAB实践

$ Y0 z; i3 y+ T. o; q+ L, F

引言

极限学习机不是一个新的东西，只是在算法（方法）上有新的内容。在神经网络结构上，就是一个前向传播的神经网络，和之前几篇博文讲的意义。

8 H) k( ~! a4 z$ P6 [; v) R

为什么我们需要ELM？

! x+ k1 Q/ j: y8 u

The learning speed of feedforward neural networks is in general far slower than required and it has been a major bottleneck in their applications for past decades. Two key reasons behind may be:

5 F% _3 ]7 R+ V5 {+ U

1) the slow gradient-based learning algorithms are extensively used to train neural networks.

2) all the parameters of the networks are tuned iteratively by using such learning algorithms.

最大的创新点：

1）输入层和隐含层的连接权值、隐含层的阈值可以随机设定，且设定完后不用再调整。这和BP神经网络不一样，BP需要不断反向去调整权值和阈值。因此这里就能减少一半的运算量了。

0 S, f, m0 N* q; Y( H

2）隐含层和输出层之间的连接权值β不需要迭代调整，而是通过解方程组方式一次性确定。

研究表明，通过这样的规则，模型的泛化性能很好，速度提高了不少。

一言概之，ELM最大的特点就是对于传统的神经网络，尤其是单隐层前馈神经网络(SLFNs)，在保证学习精度的前提下比传统的学习算法速度更快。

游客，如果您要查看本帖隐藏内容请回复

NingW

极限学习机(Extreme Learning Machine, ELM)原理详解和MATLAB实现