随着大数据时代的到来,对异构和分布式的模糊XML数据管理显得越来越重要。在模糊XML数据的管理中,模糊XML文档的分类是关键问题。针对模糊XML文档的分类,提出采用双隐层极限学习机模型来实现模糊XML
骨髓细胞的分类有重要的医学诊断意义。先对骨髓细胞图像分割和特征提取,用提取出来的训练集对极限学习机训练,再用该分类器对未知样本识别。针对单个分类器性能的不稳定,提出基于元胞自动机的极限学习机集成算法。
为了提高遥感图像的分类精度,将遥感图像的相似性测度作为遥感图像的分类特征,运用极限学习机的快速收敛能力和泛化能力,提出一种基于相似性测度和极限学习机的遥感图像分类方法。选取分类精度和Kappa系数作为
对于分类问题,极限学习机(ELM) 可以通过更快的学习获得更好的泛化性能速度。 但是,单个ELM在数据分类中是不稳定的。 这基于Bagging的集成分类器,即Bagging-ELM已被研究流行并证明可
极限学习机的训练和测试,可用于模式识别,定量分析等计算。
提出一种基于差分进化(DE) 和粒子群优化(PSO) 的混合智能方法—–DEPSO 算法, 并通过对10 个典型函数进行测试, 表明DEPSO 算法具有良好的寻优性能. 针对单隐层前向神经网络(SLF
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
本文首先概述了ELM的发展历程,接着详细阐述了ELM的工作原理.然后对ELM理论和应用的最新研究进展进行了归纳总结,着重讨论并分析了自ELM提出以来的主要学习算法和模型,包括提出的原因、核心思想、求解
极限学习机在岩性识别中的应用.ELM的应用例子PDF论文
极限学习机(ELM)具有强大的非线性映射能力、良好的泛化性能和快速的收敛速度等特点,在故障检测系统中有广泛的应用。阐述了极限学习机的基本原理；结合文献分别介绍了传统极限学习机和三种新型极限学习机在不同
