.png){kind=icon}
返回
Higher-order extreme learning machine
.png){kind=icon}
PRE
AI
DOI：10.1016/j.cogsys.2026.101474.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
前馈神经网络训练过程缓慢且计算量大，主要由于大多数算法的迭代特性。针对此问题，提出了用于单层神经网络（SLNN）的极限学习机（ELM）算法。该方法采用极快速方法，将隐藏层权重和阈值随机化，并通过Moore-Penrose伪逆解析计算输出层权重。尽管其泛化性能良好，但受限于传统神经元类型，其中每个神经元的输入与其对应权重相乘。另一方面，大多数ELM变体仅关注算法改进（如鲁棒性或参数调优），未考虑将高阶或多立方神经元整合到隐藏层和输出层，同时保留ELM的单次训练速度。本文介绍了六种用于单层神经网络（SLNN）的ELM架构，用高阶（sigma-pi）和多立方变体替换低阶单元（后者可实现可控表达能力而无需指数级权重增长）。高阶单元的优势在于能利用比传统神经元更多的权重，从而克服低阶单元的线性可分性限制。实验结果表明，高阶SLNN变体相比采用传统ELM和在线顺序ELM（OS-ELM）算法训练的SLNN展现出更优的泛化性能。该观察结果在15个分类数据集和8个回归数据集上得到实验验证。
Keyword:
Artificial neural network
Extreme learning machine
Feed forward neural network
Higher-order neuron
Multi-cube neuron
Sigma-pi neuron
期刊
IF:
2.4
论文数:
49
被引数:
2.0K
机构
引用论文
分享收藏Improved Crow Search Algorithm Optimized Extreme Learning Machine Based on Classification Algorithm and Application基于改进乌鸦搜索算法优化极限学习机的分类算法及应用.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Detection of Social Network Spam Based on Improved Extreme Learning Machine基于改进极限学习机的社交网络垃圾邮件检测IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏分享收藏Prediction of full load electrical power output of a base load operated combined cycle power plant using machine learning methods使用机器学习方法预测基本负荷运行的联合循环电厂的满负荷电功率输出
PREAI
分享收藏Outlier-robust extreme learning machine for regression problems用于回归问题的离群鲁棒极限学习机NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏PSO-ELM: A Hybrid Learning Model for Short-Term Traffic Flow ForecastingPSO-ELM: 一种用于短时交通流预测的混合学习模型IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Multinomial Bayesian extreme learning machine for sparse and accurate classification modelNEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏
查看更多内容