基于稀疏贝叶斯的半监督极速学习机

摘要

由黄广斌等人提出的极速学习机（ELM）模型成为近年来机器学习领域的热门研究方向,因其具有较低的计算复杂度,被广泛应用于学习多层神经网络中的隐层参数。但是,当前基于极速学习机框架的分类算法在稀疏性和分类准确率方面表现欠佳。本文在稀疏贝叶斯和极速学习机框架的基础上,提出一种基于稀疏贝叶斯的半监督极速学习机分类算法。该算法通过在输出层的权值参数上定义稀疏流形先验,充分利用了样本数据的局部信息,提高了模型的分类准确率。同时,通过在学习阶段自动修剪冗余隐层节点,降低了极速学习机的精度对隐层节点数量的敏感性。多个数据集上的实验结果表明:本文算法在分类准确率方面可以和当前主流的半监督分类器进行比较,同时模型具有良好的稀疏性。