极限学习机特征空间中的聚类

用于“通用”单隐藏层前馈网络(SLFN)的极限学习机(ELM)是可以使用广泛类型的功能映射的统一学习平台。 从理论上讲,ELM可以近似任何目标连续函数并分类任何不相交的区域。 在实际应用中,许多实验结果已经证明了ELM的良好性能。 鉴于ELM特征映射的良好特性,本文研究了使用ELM特征映射技术的聚类问题。 实验表明,与相应的基于Mercer核的方法和使用原始数据的传统算法相比,所提出的ELM kMeans算法和ELM NMF(非负矩阵分解)聚类方法可以获得更好的聚类结果。 此外,由于ELM特征映射比基于Mercer核函数的特征映射方法简单得多,因此所提出的方法具有实现和计算更方便的优点。