什么是極限學習機？

極限學習機（ELM, Extreme Learning Machines）是一種前饋神經(jīng)網(wǎng)絡(luò)，最早由新加坡南洋理工大學黃廣斌教授于2006年提出。該算法具有良好的泛化性能以及極快的學習能力

極限學習機和標準神經(jīng)網(wǎng)絡(luò)的區(qū)別

ELM 不需要基于梯度的反向傳播來調(diào)整權(quán)重，而是通過 Moore-Penrose generalized inverse來設(shè)置權(quán)值。

標準的單隱藏層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如下：

?

極限學習機

?????極限學習機是由Huang等[26]提出的一種特殊類型的單隱含層前饋神經(jīng)網(wǎng)絡(luò).隨機初始化其輸入權(quán)值和偏置并得到對應的輸入權(quán)重,在ELM模型的整個訓練過程中并不需要對模型的各個參數(shù)進行調(diào)整,只需要對模型隱含層神經(jīng)元的個數(shù)進行設(shè)置,最終就可以獲得唯一的最優(yōu)解[45].具有簡潔高效,無需調(diào)參,訓練學習速度較快等優(yōu)點,其基本網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示.

圖1 極限學習機基本結(jié)構(gòu)

????????極限學習機模型的理論架構(gòu)如下[26]:ELM模型包括輸入層、隱含層和輸出層,其中輸入層的n個神經(jīng)元分別與n個輸入變量相對應,隱含層有l(wèi)個神經(jīng)元,輸出層的m個神經(jīng)元分別與m個輸出變量相對應設(shè)隱含層神經(jīng)元的激活函數(shù)為g(x),則ELM極限學習機的輸出為

????????其中ωi=[ωi1,ωi2,...,ωin],xj=[x1j,x2j,...,xnj]T,ωi代表輸入層神經(jīng)元與隱含層神經(jīng)元之間的連接權(quán)值,bi表示第i個神經(jīng)元的偏差也即隱含層閾值.?式(8)也可以表示為Hβ=TT,其中H代表神經(jīng)網(wǎng)絡(luò)隱含層的輸出矩陣,H的具體形式可以表示為

ELM實現(xiàn)汽油辛烷值預測實例?

部分代碼：

%%ELM極限學習實現(xiàn)汽油辛烷值預測 %% 訓練集/測試集產(chǎn)生 clear all clc load xinwan_data.mat % 隨機產(chǎn)生訓練集和測試集 temp = randperm(size(NIR,1));%打亂60個樣本排序 disp(temp(1:50)) % 訓練集——50個樣本 P_train = NIR(temp(1:50),:)'; T_train = octane(temp(1:50),:)'; % 測試集——10個樣本 P_test = NIR(temp(51:end),:)'; T_test = octane(temp(51:end),:)'; N = size(P_test,2);%% 數(shù)據(jù)歸一化% 訓練集 %% 這里函數(shù)的作用就是對p_train數(shù)據(jù)進行歸一化處理 [Pn_train,inputps] = mapminmax(P_train); Pn_test = mapminmax('apply',P_test,inputps); % 測試集 %% 這里函數(shù)的作用就是對T_train數(shù)據(jù)進行歸一化處理 [Tn_train,outputps] = mapminmax(T_train); Tn_test = mapminmax('apply',T_test,outputps);%% ELM創(chuàng)建/訓練 [IW,B,LW,TF,TYPE] = elmtrain(Pn_train,Tn_train,30,'sig',0);%% ELM仿真測試 tn_sim = elmpredict(Pn_test,IW,B,LW,TF,TYPE); % 反歸一化 T_sim = mapminmax('reverse',tn_sim,outputps);

????????實驗共選取60個樣本，將50個樣本作為訓練，10個樣本作為測試，測試結(jié)果如下圖所示：

?????????讀者可根據(jù)自己的需求更換數(shù)據(jù)進行測試，代碼親測有效。

完整代碼請見詳情：🍞正在為您運送作品詳情

總結(jié)

以上是生活随笔為你收集整理的ELM极限学习实现汽油辛烷值预测（MATLAB）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。