基于主成分分析的极限学习机

最新推荐文章于 2022-01-05 21:34:26 发布
最新推荐文章于 2022-01-05 21:34:26 发布
阅读量750 收藏 3
点赞数
分类专栏： 机器学习 文章标签： pca elm
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41043389/article/details/101450765
版权

极限学习机的输入权重是随机生成的，这个因此每次的结果不一致。因此采用主成分分析，将原始数据降到N维（所设的隐含层节点数）。将得到的pca降维变换矩阵作为极限学习机的输入权重，效果更加稳定，如图所示。

蓝颜色的是采用pca的变换矩阵做输入权重得到的图，可以看出，其分类效果较为平稳。

红颜色的是随机输入权重，明显看到分类效果波动剧烈

机器鱼
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
【ELM预测】基于主成分分析结合极限学习机实现数据预测matlab代码
qq_59747472的博客
01-08 375
1 简介 为了提高粮食产量预测的准确性,针对我国粮食产量受到多因素影响且呈非线性关系的特点,提出主成分分析和极限学习相结合的粮食产量短期精准预测方法.首先计算各影响因素与粮食产量之间的相关系数,利用主成分分析方法构建影响粮食产量的主要成分,从而降低影响因子的维度.其次,根据粮食数据样本集少,输入变量与输出变量间呈非线性关系的特点.构建粮食产量的极限学习机预测模型并对模型参数进行比较优化.最后,通过对实际粮食产量数据的应用以及与其它预测方法的比较,研究模型的预测精度.结果表明,基于极限学习机的粮食产量预测模
论文研究-基于主成分估计的极限学习机方法.pdf
09-12
极限学习机（Extreme Learning Machine，ELM）是一种单隐层前馈神经网络（Single-hidden Layer Feedforward Neural Networks，SLFN），它相较于传统神经网络算法来说结构简单，具有较快的学习速度，以及良好的泛化性能等优点。由最小二乘法（Least Square，LE）计算得出的输出权值，往往由于设计矩阵为奇异矩阵，得到的权值有较大偏差，遇到有噪声的数据时，算法的鲁棒性无法保证。主成分估计是对最小二乘估计的一种改进算法，主成分估计能有效的改善设计矩阵奇异造成的影响，能有效的提高网络模型的鲁棒性和抗噪能力。提出了一种基于主成分估计的极限学习机方法（PC-ELM），实验结果表明，此方法能有效提高算法的鲁棒性和泛化能力。
极限学习机程序+数据
05-15
极限学习机完整算法在matlab中的实现，内含数据集。。
基于改进极限学习机的焦煤惰质组分类方法-论文
07-07
为提高焦煤惰质组显微组分分类的准确性，减少对分类器训练的人工干预，提出一种基于改进极限学习机(ELM)的焦煤惰质组显微组分分类方法。首先根据焦煤惰质组各显微组分在光特性及形貌特性上存在的差异及特点，从亮度、纹理等层面分别提取其显微图像中基于灰度统计分布的亮度比、均值、方差、偏度、一致性及峰度等6个亮度相关特征量和基于灰度共生矩阵的能量、熵、惯性矩、局部平稳性及最大概率等5个纹理相关特征量，构建11维初始特征量集，并采用主成分分析法(PCA)对初始特征进行抽取以降低特征空间维数、去除信息冗余;再将奇异值分解引入到极限学习机中，推导利用奇异值分解求解ELM隐含层输出权值矩阵的方法，构建改进的极限学习机。改进后的极限学习机解决了普通的ELM训练中为了求解权值矩阵需要通过大量实验确定参数的问题，有效地提高了学习机的智能化程度。实验结果表明:与支持向量机(SVM)分类方法相比，改进后的ELM方法对分类器训练及样本测试的速度、对焦煤惰质组测试样本分类的准确率均明显提高;与单一的ELM方法相比，改进后的ELM方法分类器的网络训练更加快速便捷，网络隐含层节点数减少近40%，对测试样本分类的准确率进一步
主成分极限学习机.rar
09-26
极限学习机的输入权重是随机生成的，这个因此每次的结果不一致。因此采用主成分分析，将原始数据降到N维（所设的隐含层节点数）。将得到的pca降维变换矩阵作为极限学习机的输入权重，效果更佳稳定
极限学习机学习笔记
dulingtingzi的博客
05-22 3万+
单层前馈神经网络（SLFN）以其良好的学习能力在许多领域得到了广泛的应用，然而传统的学习算法，如BP等固有的一些缺点，成为制约其发展的主要瓶颈，前馈神经网络大多采用梯度下降法，该方法存在以下几个方面的缺点和不足： 1、训练速度慢。由于梯度下降法需要多次迭代，从而达到修正权值和阈值的目的，因此训练过程耗时较长； 2、容易陷入局部极小值，无法到达全局最小； 3、学习率yita的选择敏感，学习率对
Python实现主成分分析法（PCA）+粒子群算法（PSO）+极限学习机（ELM）的时间序列组合预测模型
weixin_40169609的博客
01-01 4413
1.引入数据 import csv import numpy as np from sklearn.preprocessing import StandardScaler from sklearn.model_selection import train_test_split import matplotlib.pyplot as plt from datetime import datetime from sklearn.metrics import explained_variance_score
cannot convert float NaN to integer报错的解决方法
豌豆生的笔记本
07-23 2万+
网址：https://github.com/konstantint/matplotlib-venn/issues/17 我在执行文件时发生报错，如下 报错： Service call failed: service [/plan_world_grasp] responded with an error: error processing request: cannot convert f...
第七课 极限学习机（ Extreme Learning Machine, ELM）
Hubert的博客
11-10 5564
背景 前向神经网络的学习速度通常远低于要求，并且在过去几十年里一直是其应用的一个主要瓶颈。背后的两个关键原因可能是： 1）基于慢梯度的学习算法被广泛应用于神经网络的训练。 2）利用这种学习算法对网络的所有参数进行迭代调整。 与这些传统实现不同，极限学习机（ELM）随机化广义单隐藏层前馈网络（SLFN）的所有隐藏节点参数，并通过分析确定SLFN的输出权重。 •所有隐藏节点参数均独立于目标功能或训练数...
论文研究-基于KPCA和改进极限学习机的煤与瓦斯突出危险性判识.pdf
07-22
利用蝙蝠算法（BA）优化极限学习机（ELM）模型，并与BA-ELM、ELM、SVM和BP等模型共同进行突出危险性预测，验证模型的优越性。结果表明，基于KPCA-BA-ELM突出危险性预测模型平均绝对误差为4.560，平均相对误差为3.478...
论文研究-主成分分析和超限学习机的模拟电路故障诊断.pdf
09-07
为提高模拟电路故障诊断特征信息提取的完整性，实现故障模式分类的准确性，达到网络训练测试的快速性，提出了一种基于主成分分析（Principal Components Analysis，PCA）和极限学习机（ELM）相结合的模拟电路故障...
基于极限学习机的多特征融合在高光谱图像分类中的应用
05-01
在本文中，我们提出了一种基于极限学习机（ELM）的HSI分类的多特征融合新方法。 我们通过主成分分析（PCA）提取光谱特征，并通过局部二值模式（LBP），Gabor特征和扩展多属性轮廓（EMAP）提取空间特征。 然后，基于...
极限学习机(Extreme Learning Machine, ELM)原理详解和MATLAB实现
热门推荐
Yancy的博客
09-29 12万+
目录 引言 极限学习机原理 MATLAB中重点函数解读 极限学习机的MATLAB实践 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。 为什么我们需要ELM？ The learning speed of feedforward neural networks is in general fa...
极限学习机（ELM）从原理到程序实现（附完整代码）
思绪无限的博客
06-07 10万+
摘要：极限学习机（ELM）是当前一类非常热门的机器学习算法，被用来训练单隐层前馈神经网络（SLFN）。本篇博文尽量通俗易懂地对极限学习机的原理进行详细介绍，之后分析如何用MATLAB实现该算法并对代码进行解释。本文主要内容如下：算法的原理、算法程序实现、点击跳转至全部文件下载页
【ELM预测】基于主成分分析法结合粒子群优化极限学习机进行工程费用估计预测matlab代码
qq_59747472的博客
01-05 387
1 简介 提出了一种基于主成分分析和粒子群群优化极限学习机的计算方法,并用这种方法对货物运输量进行预测.该方法首先利用主成分分析的方法融合多个影响货运量的因素,获取主成分;然后利用粒子群算法优化极限学习机的参数，并建立极限学习机模型来预测公路货运量;最后计算模型性能指标并与相关模型进行对比.结果表明,基于主成分分析和粒子群群优化极限学习机的货物运输量预测方法具有较高的稳定性和预测精度. 2 部分代码 %% 基于ELM的工程费用预测 clc clearall closeall %% 读取数据 XX..
基于融合CNN(2D-CNN与1D-CNN融合)与SVM的滚动轴承故障诊断
qq_41043389的博客
01-07 2万+
本文将2D-CNN与1D-CNN融合，同时对轴承数据集进行训练，然后在汇聚层将两者池化层的输出连接成一个向量，送进全连接层。模型训练结束之后，取FC层的输出作为提取到的故障特征信号。数据来源，西储大学滚动轴承故障诊断数据集。 融合CNN的结构图如图所示： 1，数据准备 对于10类故障（1正常，9故障），分别采集100组样本，共1000组，...
基于麻雀搜索算法优化深度置信网络的分类方法（SSA-DBN）
qq_41043389的博客
06-04 1万+
随着装备日趋复杂化，依靠专家经验或信号处理技术人工提取和选择故障特征变得越来越困难。此外，以 BP 神经网络、SVM为代表的浅层模型难以表征被测信号与装备健康状况之间复杂的映射关系，且面临维数灾难等问题。结合深度置信网络（DBN）在提取特征和处理高维、非线性数据等方面的优势，提出一种基于深度置信网络的故障诊断方法。该方法通过深度学习利用原始时域信号的傅里叶频谱（FFT）训练深度置信网络并完成智能诊断，其优势在于能够摆脱对大量信号处理技术与诊断经验的依赖，完成故障特征的自适应提取与健康状况的智...
基于主成分分析的异常检测
最新发布
08-04
基于主成分分析的异常检测是一种常用的数据降维方法。在这种方法中，我们首先使用主成分分析（PCA）将原始数据转换为一组新的低维特征，这些特征是原始数据中最具有代表性的方向。然后，我们可以使用这些主成分来...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

机器鱼

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值