计算机科学与探索

作者：张毅, 王士同

单位：1. 江南大学 人工智能与计算机学院，江苏 无锡 2141222. 江南大学 江苏省媒体设计与软件技术重点实验室，江苏 无锡 214122

关键词：极限学习机（ELM）,仿射变换（AT）,高斯分布,分类

极限学习机（ELM）会大量映射到激活函数的饱和区域，同时隐含层输入与输出远远不能获得共同的分布方式，导致泛化性能大打折扣。针对这一问题，研究了在高斯分布下优化激活函数中仿射变换（AT）的极限学习机，主要思想是在隐含层输入数据上引入新型的线性关系，利用梯度下降算法对误差函数中的缩放参数和平移参数进行优化，以满足隐含层输出能够高度服从高斯分布。基于高斯分布计算仿射参数的方法，能够保证隐节点相互独立的同时，也强调了高度的依赖关系。实验结果表明，在实际分类数据集和图像回归数据集中，隐含层输出数据不能很好地服从均匀分布，但服从高斯分布趋势，总体上能够达到更好的实验效果。与原始ELM算法和AT-ELM1算法比较，均有显著的改善。

来源：2021年第4期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2021年第4期