极限学习机中隐含层节点选择研究

摘要

极限学习机(ELM)算法大大提高了单隐层前馈神经网络(SLFNs)的学习速度,在各个领域得到广泛应用.但ELM算法过程中随机分配输入权值和偏差,这虽能加快ELM算法速度,但也造成算法隐含层节点的冗余,一些隐含层节点是毫无存在意义的,而且还会影响整个算法的学习效率.针对ELM算法的这一不足,文中提出新的节点选择算法,实现了对极限学习机中隐含层节点的选择,使得ELM算法的性能有了一定的提高,并与一些流行算法进行了比较,文中算法表现良好.