- 极限学习机理论框架的关键分析
尽管极限学习机在许多应用中取得了成功,但我们发现其基本原理缺乏严格的数学证明。具体而言,我们推翻了两个主要陈述的证明,并创建了一个数据集来提供 ELM 学习算法的反例,并解释其设计,这引发了许多这样的反例。最后,我们提供了基础的替代陈述,以 - 一种适用于极限学习机的非重叠域分解方法:椭圆问题
提出了一种用于解决偏微分方程的极限学习机(ELM)方法,通过使用单隐藏层前馈神经网络预设隐藏层中的权重 / 偏置系数并使用线性最小二乘方法来训练神经网络的输出层参数,提高了 ELM 的训练速度。同时,引入非重叠域分解方法(DDM),结合本地 - 通过极限学习机实现快速脑血流分析
提出了一种利用扩散相关光谱学(DCS)和极限学习机(ELM)分析脑血流 (cerebral blood flow) 的快速准确分析方法,ELM 在不同噪声水平和光学参数下表现出更高的保真度,相较于迭代拟合算法具有更强大的泛化能力并能够胜过它 - ELM 岭回归增强
通过提出一种 Boosting 方法来改进极限学习机(ELM)的分类性能和鲁棒性的岭回归(RR)方法。
- 一种基于极限学习机的高维计算 PDEs 方法
我们提出了两种基于随机神经网络解决高维偏微分方程 (PDE) 的有效方法。通过对这种类型网络的普适逼近性质的激励,这两种方法都将极限学习机 (ELM) 方法从低维扩展到高维。第一种方法中,$d$ 维度下未知解域由随机前向神经网络表示,其中隐 - 关于基于单层人工神经网络的插值准确性研究
利用极限学习机来训练具有一层隐藏层的前馈神经网络(也称为浅层或两层网络),研究插值问题中的准确性以及使用 Chebychev 节点时的全局多项式逼近与 ANN 插值函数的异常行为。
- 水力条件监测系统异常检测中半监督学习的比较研究
本研究系统比较了半监督学习方法在液压系统异常检测中的应用,设计了一种基于极限学习机的半监督 HELM 模型,并证实其在半监督方法中具有卓越的性能。
- 基于机器学习的 OFDM 系统中联合检测与信道估计方法
本研究提出并比较了两种基于机器学习的 OFDM 系统联合检测 - 信道估计结构,分别使用深度神经网络 (DNN) 和极限学习机 (ELM) 架构来提高数据检测性能,并分析了误码率性能与计算复杂度之间的权衡,展示了提出的 DNN-OFDM 和 - 随机功能链接型神经网络的性质和潜在应用
该研究通过探究频域的角度,发现随机功能相关的神经网络(RFLNNs)倾向于快速捕捉低频率并在训练过程中拟合高频率的组件,并且通过该原理提出了一种 BLS 网络生成方法,并针对不同频率原理提出了求解 Poisson 方程的高效算法。
- 多层判别受限玻尔兹曼机与未训练的概率层
该研究提出了一种新的多层神经网络模型,称为概率多层 DRBM (MDRBM),由概率未训练层和 DRBM 层组成,并通过高斯伯努利受限玻尔兹曼机确定 PELM 层参数。实验表明,该模型在应对输入数据中的噪声方面具有很强的鲁棒性和泛化性能。
- Logistic-ELM: 一种新型滚动轴承故障诊断方法
本文提出了一种基于极限学习机和逻辑映射的新型快速滚动轴承故障诊断方法,可实现更高的准确性和实时性,实验结果表明在预测准确率方面,该方法优于现有的同类比较方法,且在七个不同的子数据环境中,最高准确率达到了 100%。
- MMMIMO-OFDM 的精细时频同步:一种极限学习方法
本文提出了一种利用极限学习机(ELM)实现高精度同步的新方案,将两个 ELM 并入传统的 MIMO-OFDM 系统,估计残余符号时序偏移量(RSTO)和残余载波频率偏移量(RCFO),与现有的机器学习技术相比,该方法表现出优越的性能,且具有 - 基于投影模型的参数传递极限学习机
该研究提出了一种基于投影模型的极限学习机参数转移方法,在源域参数上施加结构稀疏惩罚,以鼓励联合特征选择和参数转移,并在多个常用领域自适应数据集上进行了全面实验,结果显示其效果显著优于非转移 ELM 网络和其他经典的迁移学习方法。
- Pseudoinverse 学习算法的一种衣服
本文介绍了伪逆学习算法和其变种,以及对神经网络学习任务实践中的若干常见问题的讨论和解决。作者还指出,在单隐藏层前馈神经网络中,所谓的极限学习机是采用了可能出于简化目的得到的伪逆学习算法的一个变体。