期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到7篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于ELM-AE和BP算法的极限学习机特征表示方法
1
作者 苗军 刘晓 +1 位作者 常艺茹 乔元华 《北京信息科技大学学报（自然科学版）》 2024年第1期37-41,共5页
基于极限学习机自编码器(extreme learning machine based autoencoder,ELM-AE)和误差反向传播(back propagation,BP)算法,针对ELM提出了一种改进的特征表示方法。首先,使用ELM-AE以无监督的方式学习紧凑的特征表示,即ELM-AE输出权重;其... 基于极限学习机自编码器(extreme learning machine based autoencoder,ELM-AE)和误差反向传播(back propagation,BP)算法,针对ELM提出了一种改进的特征表示方法。首先,使用ELM-AE以无监督的方式学习紧凑的特征表示,即ELM-AE输出权重;其次,利用ELM-AE输出权重来初始化BP神经网络的输入权重,然后对BP网络进行监督训练;最后,用微调的BP网络输入权重初始化ELM的输入权重参数。在MNIST数据集上的实验结果表明,采用BP算法对ELM-AE学习的参数进行约束,可以得到更紧凑且具有判别性的特征表示,有助于提高ELM的性能。 展开更多
关键词 极限学习机自编码器 误差反向传播 极限学习机
下载PDF
基于多隐层极限学习机的文本分类方法 被引量：4
2
作者 冀俊忠 庞皓明 +1 位作者 杨翠翠 刘金铎 《北京工业大学学报》 CAS CSCD 北大核心 2019年第6期534-545,共12页
针对正则化极限学习机处理高维文本数据时文本特征表示能力不足的问题,提出了一种基于多隐层极限学习机的文本分类方法.首先,使用极限学习机自编码器的压缩表示对高维文本数据进行降维处理.然后,通过多隐层极限学习机的多隐层结构提取... 针对正则化极限学习机处理高维文本数据时文本特征表示能力不足的问题,提出了一种基于多隐层极限学习机的文本分类方法.首先,使用极限学习机自编码器的压缩表示对高维文本数据进行降维处理.然后,通过多隐层极限学习机的多隐层结构提取出高层文本特征并通过最小二乘的方法对文本数据进行分类.与多个算法的实验对比表明,该算法在20newsgroup、Reuters和复旦大学中文语料库这3个数据集上都具有良好的分类性能. 展开更多
关键词 文本分类 高维文本 多隐层极限学习机 极限学习机自编码器 特征映射 神经网络
下载PDF
基于残差补偿的极限学习机自编码器 被引量：1
3
作者 陈文坚 陈晓云 汪巧萍 《福州大学学报（自然科学版）》 CAS 北大核心 2022年第1期16-23,共8页
极限学习机自编码器作为无监督降维方法,通过重构输入数据来提取原始样本特征,具有学习速度快、泛化性能高等优势.但经典极限学习机自编码器表示能力有限,使得重构输出和原始样本之间的残差不可避免.因此借鉴残差补偿思想,提出基于残差... 极限学习机自编码器作为无监督降维方法,通过重构输入数据来提取原始样本特征,具有学习速度快、泛化性能高等优势.但经典极限学习机自编码器表示能力有限,使得重构输出和原始样本之间的残差不可避免.因此借鉴残差补偿思想,提出基于残差补偿的极限学习机自编码器,通过不断对重构残差补偿式学习来改善ELM-AE的表示能力.在6个公开数据集上进行K-means聚类实验,结果表明基于残差补偿的极限学习机自编码器(RCELM-AE)能够有效提高聚类准确率. 展开更多
关键词 极限学习机自编码器 无监督学习 降维 残差补偿
下载PDF
深度在线小波极限学习在旋转机械故障诊断中的应用
4
作者 王椿晶 王海瑞 《机械科学与技术》 CSCD 北大核心 2023年第7期1029-1034,共6页
由于旋转机械故障诊断模型训练时间长,容易过拟合以及传统的极限学习机只能处理批量数据,实效性差等问题。提出一种基于深度在线小波极限学习机的旋转机械故障诊断方法。将自编码器的思想引入小波极限学习机中,堆叠形成WELM-AE,将底层... 由于旋转机械故障诊断模型训练时间长,容易过拟合以及传统的极限学习机只能处理批量数据,实效性差等问题。提出一种基于深度在线小波极限学习机的旋转机械故障诊断方法。将自编码器的思想引入小波极限学习机中,堆叠形成WELM-AE,将底层的故障特征向更加抽象的高级特征转换。再采用在线极限学习机作为顶层分类器进行故障识别。实验结果验证:该算法在旋转机械故障诊断上的可行性,继承了极限学习机训练速度快的特点,相较于BP、SVM、SAE、CNN有更高的准确率。 展开更多
关键词 旋转机械 故障诊断 深度小波极限学习机自编码器 在线极限学习机
下载PDF
利用ELM-AE和迁移表征学习构建的目标跟踪系统 被引量：1
5
作者 杨政 邓赵红 +2 位作者 罗晓清 顾鑫 王士同 《计算机科学与探索》 CSCD 北大核心 2022年第7期1633-1648,共16页
在目标跟踪算法中,特征模型对图像特征的快速学习能力和对跟踪过程中目标特征变化的自适应能力一直是目标跟踪算法的主要研究方向之一。特别是对于基于图像块学习的判别式目标跟踪器而言,这两点已然成为影响跟踪器效率和鲁棒性的决定性... 在目标跟踪算法中,特征模型对图像特征的快速学习能力和对跟踪过程中目标特征变化的自适应能力一直是目标跟踪算法的主要研究方向之一。特别是对于基于图像块学习的判别式目标跟踪器而言,这两点已然成为影响跟踪器效率和鲁棒性的决定性因素。然而,现有的大多数同类算法在这两个能力上的性能并不能达到令人满意的效果。为了解决这一问题,提出了一种高效且鲁棒的特征模型。该特征模型首先利用基于极限学习机的自编码器(ELM-AE)对目标和背景图像块的复杂图像特征快速地进行随机特征映射,再利用迁移表征学习(TRL)的迁移学习能力提高随机特征空间的自适应性。将该特征模型命名为基于ELM自编码器和迁移表征学习的特征模型(TRL-ELM-AE)。与原复杂图像特征相比,通过该模型可以获得更加紧凑且具有表达能力的共享特征。从而使得分类器可以快速高效地学习和分类。此外,在目标跟踪过程中,目标与背景通常会随着时间不停地变化。虽然TRL的特征迁移能力已经可以很好地适应这一点,但是为了进一步提高跟踪器的鲁棒性,还采用了一种动态更新训练样本的策略。通过对OTB提出的11项目标跟踪挑战场景进行大量实验和分析,证明了所提的目标跟踪器较现有的目标跟踪器具有显著优势。 展开更多
关键词 极限学习机(ELM) 极限学习机自编码器(ELM-AE) 迁移表征学习(TRL) 特征自适应 高斯朴素贝叶斯分类器(GNBC) 目标跟踪
下载PDF
基于核极限学习机自编码器的转盘轴承寿命状态识别 被引量：2
6
作者 潘裕斌 王华 +1 位作者 陈捷 洪荣晶 《浙江大学学报（工学版）》 EI CAS CSCD 北大核心 2022年第9期1856-1866,共11页
针对低速重载转盘轴承运行工况恶劣、故障特征微弱的特点,提出基于飞蛾扑火算法优化多层核极限学习机自编码器(MFO-MLKELM-AE)的转盘轴承寿命状态识别方法.该方法从振动信号的时域和时频域中提取出多个能够表征转盘轴承运行状态的特征向... 针对低速重载转盘轴承运行工况恶劣、故障特征微弱的特点,提出基于飞蛾扑火算法优化多层核极限学习机自编码器(MFO-MLKELM-AE)的转盘轴承寿命状态识别方法.该方法从振动信号的时域和时频域中提取出多个能够表征转盘轴承运行状态的特征向量,并将其组成高维特征集.采用堆叠多层核极限学习机自编码器(MLKELM-AE),从高维特征集中提取最能反映转盘轴承的寿命状态信息,输入核极限学习机(KELM)模型进行寿命状态识别.在MLKELM-AE学习训练中,采用新的飞蛾扑火算法(MFO)优化惩罚系数和核参数,提高MLKELM-AE的特征识别能力.转盘轴承加速寿命实验表明,MLKELM-AE比多层极限学习机自编码器(MLELMAE)、单层极限学习机(ELM)、KELM的识别精度高,多传感器、多领域特征能够全面反映转盘轴承的寿命状态. 展开更多
关键词 低速重载转盘轴承 多层核极限学习机自编码器(MLKELM-AE) 飞蛾扑火算法(MFO) 寿命状态识别 多领域特征
下载PDF
基于特权信息集成学习的精神分裂症单模态神经影像计算机辅助诊断
7
作者 沈璐 王倩婷 施俊 《生物医学工程学杂志》 EI CAS CSCD 北大核心 2020年第3期405-411,418,共8页
神经影像技术目前已经应用于精神分裂症的诊断。为了提升基于单模态神经影像的精神分裂症计算机辅助诊断(CAD)的性能,本文提出一种基于特权信息学习(LUPI)分类器的集成学习算法。该算法首先对单模态数据采用极限学习机-自编码器(ELM-AE... 神经影像技术目前已经应用于精神分裂症的诊断。为了提升基于单模态神经影像的精神分裂症计算机辅助诊断(CAD)的性能,本文提出一种基于特权信息学习(LUPI)分类器的集成学习算法。该算法首先对单模态数据采用极限学习机-自编码器(ELM-AE)进行特征二次学习,然后通过随机映射算法将高维特征随机分成多个子空间,并进行两两组合形成源领域和目标领域数据对,用于训练多个支持向量机+(SVM+)弱分类器,最终通过集成学习获得一个强分类器,实现有效的模式分类。本算法在公开的精神分裂症神经影像数据库中进行了实验,包括结构磁共振成像和功能磁共振成像数据。结果表明该算法取得了最优的诊断结果,其在基于结构磁共振成像诊断的分类精度、敏感性和特异性分别可以达到72.12%±8.20%、73.50%±15.44%和70.93%±12.93%,而基于功能磁共振成像诊断的分类精度、敏感性和特异性分别为72.33%±8.95%、68.50%±16.58%、75.73%±16.10%。本文算法的主要创新点在于克服了传统的LUPI分类器需要额外的特权信息模态的不足,可以直接应用于单模态数据分类问题,而且还提升了分类性能,因此具有较为广泛的应用前景。 展开更多
关键词 单模态神经影像 精神分裂症 深度学习 极限学习机-自编码器 集成特权信息学习
原文传递
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部