大家好，又见面了，我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全系列IDE使用 1年只要46元 售后保障 童叟无欺

摘要

当今研究领域的一项事实就是，前向神经网络(feed-forward neural networks)的训练速度比人们所期望的速度要慢很多。并且，在过去的几十年中，前向神经网络在应用领域存在着很大的瓶颈。导致这一现状的两个关键因素就是：

• 神经网络的训练，大多使用基于梯度的算法，而这种算法的训练速度有限；
• 使用这种训练算法，在迭代时，网络的所有参数都要进行更新调整。

而在2004年，由南洋理工学院黄广斌教授所提出的极限学习机器(Extreme Learning Machine，ELM)理论可以改善这种情况。最初的极限学习机是对单隐层前馈神经网络(single-hidden layer feed-forward neural networks，SLFNs)提出的一种新型的学习算法。它随机选取输入权重，并分析以决定网络的输出权重。在这个理论中，这种算法试图在学习速度上提供极限的性能。
如需转载本文，请注明出处：http://blog.csdn.net/ws_20100/article/details/49555959

极限学习机原理

ELM是一种新型的快速学习算法，对于单隐层神经网络，ELM 可以随机初始化输入权重和偏置并得到相应的隐节点输出：

对于一个单隐层神经网络(结构如上图所示)，假设有

N
个任意的样本

(xj,tj)
，其中，

对于一个有



L
个隐层节点的单隐层神经网络可以表示为

其中，



g(x)
为激活函数，



wi=[wi1,wi2,...,win]T
是第



i
个隐层单元的输入权重，



bi
是第



i
个隐层单元的偏置，



βi=[βi1,βi2,...,βim]T
是第



i
个隐层单元的输出权重。



wi⋅xj
表示



wi
和



xj
的内积。

1.学习目标

单隐层神经网络学习的目标是使得输出的误差最小，可以表示为

即存在



wi
、



xj
和



bi
使得：

可以矩阵表示：

其中，



H
是隐层节点的输出，



β
为输出权重，



T
为期望输出。

为了能够训练单隐层神经网络，我们希望得到



wi^
，



bi^
和



βi^
，使得

其中，



i=1,2,...,L
，这等价于最小化损失函数

2.学习方法

传统的一些基于梯度下降法的算法，可以用来求解这样的问题，但是基本的基于梯度的学习算法需要在迭代的过程中调整所有参数。而在ELM算法中, 一旦输入权重

wi
和隐层的偏置

bi
被随机确定，隐层的输出矩阵

H
就被唯一确定。训练单隐层神经网络可以转化为求解一个线性系统：

H⋅β=T
。并且输出权重可以被确定

其中，



H†
是矩阵



H
的



Moore−Penrose
广义逆矩阵。且可证明求得的解



β^
的范数是最小的并且唯一。

实现代码

代码下载：http://download.csdn.net/detail/ws_20100/9230271

输入的训练数据，格式为一个

N×(1+n)
矩阵，其中每行代表一个样本(共有

N
行)。每行的第一个元素为该样本的“回归的期望值”或“分类的类别号”(对应于

tj
)，后面的n个元素为该样本的输入数据(对应于

xj∈Rn
)。测试数据的格式也类似。

对于回归应用，一个例子为：

[TrainingTime, TestingTime, TrainingAccuracy, TestingAccuracy] = elm('sinc_train', 'sinc_test', 0, 20, 'sig')

对于分类应用，一个例子为：

elm('diabetes_train', 'diabetes_test', 1, 20, 'sig')

这两个训练和测试集在黄广斌教授的网站上都可以下载。

参考资料：

[1] G.-B. Huang, Q.-Y. Zhu, and C.-K. Siew, “Extreme learning machine: A new learning scheme of feedforward neural networks,” in Proc. Int. Joint Conf. Neural Networks, July 2004, vol. 2, pp. 985–990.