文献

J-GLOBAL ID：201702276859294657   整理番号：17A0448164

粒子群最適化に基づく極端学習機械のための改良されたインクリメンタル構成の単一-隠れ層フィードフォワードネットワーク【Powered by NICT】

An improved incremental constructive single-hidden-layer feedforward networks for extreme learning machine based on particle swarm optimization

著者 (5件)： Han Fei (School of Computer Science and Communication Engineering, Jiangsu University, Zhenjiang, Jiangsu, China) ,  Zhao Min-Ru (School of Computer Science and Communication Engineering, Jiangsu University, Zhenjiang, Jiangsu, China) ,  Zhang Jian-Ming (School of Computer Science and Communication Engineering, Jiangsu University, Zhenjiang, Jiangsu, China) ,  Ling Qing-Hua (School of Computer Science and Communication Engineering, Jiangsu University, Zhenjiang, Jiangsu, China) ,  Ling Qing-Hua (School of Computer Science and Engineering, Jiangsu University of Science and Technology, Zhenjiang, Jiangsu, China)
資料名： Neurocomputing  (Neurocomputing)
巻： 228  ページ： 133-142  発行年： 2017年 
JST資料番号： W0360A  ISSN： 0925-2312  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： ネットワーク構造を決定するためにどのように極端学習機械(ELM)における未解決の問題である。誤差最小化極端学習機械(EM ELM)は,隠れノードの数を決定するための簡単で効率的な方法である。しかし,他の構成的ELMと同様に,EM-ELMは収束精度,良好な収束性能が悪い条件を持つ単一隠れ層フィードフォワードニューラルネットワーク(SLFN)を得るためにはるかに重点を置いた。本論文では,ELM誤差最小化と粒子群最適化(PSO)に基づく効果的な方法は,回帰問題のためのSLFNの構造を決定する適応的に提案した。新しい方法では,コンパクトで,コンディショニングSLFNを確立するために,PSOによって最適化された隠れノードはSLFNに添加した。回帰精度だけでなく,ネットワークの隠れた出力行列の条件値は最適化過程で考慮した。種々の回帰問題に関する実験結果は,提案したアルゴリズムは他の構成的ELMよりも隠れノードをほとんど持たない優れた汎化性能を達成することを検証した。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： アルゴリズム ,  ネットワーク構造 ,  汎化 ,  *最適化 ,  *ネットワーク
準シソーラス用語： *フィードフォワードニューラルネットワーク ,  *隠れ層 ,  *極度学習機械 ,  *粒子群最適化 , 【Automatic Indexing@JST】

著者キーワード (5件)： 極端学習機械 ,  パーティクルスワーム最適化 ,  ネットワーク構造 ,  汎化性能 ,  状態価値

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： 粒子群最適化 ,  極端学習機械 ,  隠れ層 ,  フィードフォワード