一、ELM是什么 为解决前馈神经网络中出现的问题，黄广斌教授等提出了极限学习机（ELM） 算法。ELM 算法是在 SLFNs 算法基础上发展的，当 ELM 算法的激活函数无限可微，ELM 的隐藏层输出矩阵 H 可以不受迭代训练的影响，保持不变。选取合适的输入权重𝜔𝑖和隐含层的阈值𝑏𝑖，ELM ...
分类：
其他好文 时间：
2021-03-05 13:17:07
阅读次数：
0
what?： 极限学习机（extreme learning machine）ELM是一种简单易用、有效的单隐层前馈神经网络SLFNs学习算法。2004年由南洋理工大学黄广斌副教授提出。传统的神经网络学习算法（如BP算法）需要人为设置大量的网络训练参数，并且很容易产生局部最优解。极限学习机只需要设置网 ...
分类：
其他好文 时间：
2017-11-16 11:38:03
阅读次数：
134
极限学习机(Extreme Learning Machine) ELM，是由黄广斌提出来的求解神经网络算法。ELM最大的特点是对于传统的神经网络，尤其是单隐层前馈神经网络(SLFNs)，ELM比传统的学习算法速度更快。 ELM是一种新型的快速学习算法，对于单隐层神经网络，ELM 可以随机初始化输入权 ...
分类：
其他好文 时间：
2017-09-15 14:42:36
阅读次数：
328
极限学习机的概念 ELM是一种新型的快速学习算法，对于单隐层神经网络，ELM可以随机初始化输入权重和偏置并得到相应的输出权重。 对于一个单隐层神经网络，假设有N个任意的样本，其中， 。对于一个有个隐层节点的单隐层神经网络可以表示为 其中，为激活函数，为输入权重， 为输出权重，是第个隐层单元的偏置。 ...
分类：
编程语言 时间：
2017-05-29 23:25:09
阅读次数：
281
原文地址：http://blog.csdn.net/google19890102/article/details/18222103 极限学习机(Extreme Learning Machine) ELM，是由黄广斌提出来的求解神经网络算法。ELM最大的特点是对于传统的神经网络，尤其是单隐层前馈神经网 ...
分类：
系统相关 时间：
2016-08-06 12:49:28
阅读次数：
288
本质：训练前只需设置网络隐层节点和激励函数，训练过程中随机产生网络的输入权值向量和隐层节点偏置，引入矩阵广义逆的思想解析得到网络的输出权值向量，训练过程快速简单，参数选择容易且具有良好的全局搜索能力。 优化点： （1）设置网络隐层节点个数：目前都是经验公式，没有确定的 （2）选择激励函数；目前大多数 ...
分类：
其他好文 时间：
2016-08-05 21:08:57
阅读次数：
150
极限学习机的理论在传统的神经网络训练中，我们通常的做法是要通过梯度下降算法来不断的调整隐层与输出层，输出层与隐层之间的权值矩阵，以及偏置b。但是ELM算法指出，其实隐层的权值矩阵W和偏置b其实是没有必要调整的，在学习算法开始时，任意随机给定W和b的值，利用其计算出H（隐层节点的输出），并令其保持不变，需要确定的参数就只有β\beta了。这是一个比较重要的理论基础。单隐层前向神经网络（SLFN）结构设...
分类：
其他好文 时间：
2016-05-12 20:54:22
阅读次数：
282
最近研究上了这个一个东西--极限学习机。 在很多问题中，我大多会碰到两个问题，一个是分类，另一个就是回归。简单来说，分类是给一串数打个标签，回归是把一串数变为一个数。 在这里我们需要处理的数据一般维度都比较高，在处理这两类问题时最简单的方法就是加权。使那些对最终结果影响大的维度的数据的权设大点，影响...
分类：
系统相关 时间：
2015-06-19 13:23:49
阅读次数：
815
本文是”Local Receptive Fields Based Extreme Learning Machine”的学习总结.文章主要包含两部分内容, 极速学习机(也有人译作极限学习机或极端学习机, Extreme Learning Machine, ELM)和局部感受野(Local Receptive Fields, LRF)....
分类：
其他好文 时间：
2015-06-04 19:25:52
阅读次数：
230
在上一篇《DeepLearning 的挑战： Extreme Learning Machine（超限学习机）？》 中介绍了一些ELM与DL 的一些比较，这篇主要介绍ELM的原理。
首先，ELM的核心就是将复杂的迭代过程转变为隐层参数随机产生。
其次，ELM 是一个神经网络，有输入层、隐藏层，输出层。
最后，ELM 的多分类效果优于SVM。
对于训练样本集{xi,ti} i=1-N,...
分类：
其他好文 时间：
2014-11-25 12:48:37
阅读次数：
226
