搜索资源列表
神经网络极速学习方法研究
- 单隐藏层前馈神经网络(Single-hidden Layer Feedforward Neural Network, SLFN)已经在模式识别、自动控制及数据挖掘等领域取得了广泛的应用，但传统学习方法的速度远远不能满足实际的需要，成为制约其发展的主要瓶颈。产生这种情况的两个主要原因是：（1）传统的误差反向传播方法(back propagation，BP)主要基于梯度下降的思想，需要多次迭代；（2）网络的所有参数都需要在训练过程中迭代确定。因此算法的计算量和搜索空间很大。针对以上问题，借鉴ELM的
ELM
- ELM算法参考论文， ELM算法参考论文，ELM算法参考论文-ELM algorithm reference papersELM algorithm reference papersELM algorithm reference papersELM algorithm reference papersELM algorithm reference papers
ELM--of-image-segmentation
- 以极限学习机的图 像分割算法为基础， 在确定了最优参数的基础上， 建立了基于ELM的图像分割算法， 并且通过仿真实验对算法的正确性和 有效性进行了验证， 指出这种算法能够更加快速地完成对图像的分割， 并且图像分割孤立点少， 边缘明显， 同时该算法大 大地缩短了样本的训练时间。-In image segmentation algorithm based on machine learning limit, in determining the optimum parameters ba
ELM-in-tumor-classification
- 提出了一种基于数据集分割的极限学习机集成算法——DS-E-ELM.-Extreme Learning Machine proposed integration algorithm DS-E-ELM dataset based segmentation.
Enhancement-for-OS-ELM
- 在线序列极限学习机OS-ELM算法的基本原理及其改进算法- In this paper, we propose a Constructive Enhancement for OS-ELM (CEOS-ELM), which can add random hidden nodes one-by-one or group-by-group with fixed or varying group size.