شبیه سازی مقاله: ماشین یادگیر نهایی بیزی اسپارس برای چند طبقه بندی
پروژه۱۳۲۶: شبیه سازی مقاله isi در متلب + سورس کامل متلب + توضیحات خطوط برنامه + فیلم اجرای کد
عنوان مقاله:
Sparse Bayesian Extreme Learning Machine for
Multi-classification
ماشین یادگیر نهایی بیزی اسپارس برای چند طبقه بندی
******************
دانلود: دانلود اصل مقاله لاتین
******************
خلاصه ای از کار:
ماشین یادگیر نهایی (ELM) در سالهای اخیر به موضوعی معروف درمورد یادگیری ماشین تبدیل شده است.ELM یک نوع شبکه جدید خنثی با پس خورد لایه پنهان مجزا و با هزینه محاسباتی بسیار پایین است. اما ELM دو اشکال واضح دارد:۱-مساله کمینه سازی مربع های حداقل ،وزنهای خروجی است که توسط معکوس کلی مور-پنروس حل می شود و به راحتی به تناسب بسیارتن می دهد.۲-صحت FLM به تعدا نورونهای مخفی حساسیت زیادی دارد بنابراین معمولا الگویی بزرگ ایجاد می شود.این خلاصه یک روش یکنواخت بیسی برای یادگیری بارهای خروجی ELM در مورد طبقه بندی ارائه می کند.این الگوی جدید بنام ELM بیزی اسپارس (SBELM) با تخمین احتمال نهایی خروجی های شبکه و حذف خودکار بیشترنورونهای مخفی اضافی در طی یادگیری ،می تواند این دو مساله را حل کند.در نتیجه یک الگوی صحیح و فشرده بدست می اید.SBELM پیشنهادی برمبنای انواع گسترده مسائل طبقه بندی معیار ارزیابی می شود که حساسیت نسبی صحت الگوی SBELM را به تعداد نورونهای مخفی بررسی می کند.بنابراین در مقایسه با دسته کننده های وضعیت هنری شبکه عصبی ،همیشه یک الگوی فشرده تر ایجاد می شود.
در صورت سوال در مورد محصول و یا در صورت اشکال در اجرای شبیه سازی می توانید از بخش تماس با ما (منوی بالا)، با شماره تلفن مورد نظر مکاتبه نمایید.
دیگر پروژه های مرتبط:
یک الگوریتم انقباض تعمیم تکرای برای کدگذاری تنک(اسپارس) غیر محدب
الگوریتم تقسیم و غلبه بازگشتی برای تجزیه و تحلیل مولفه های اصلی پراکنده sparse
مجموعه: مهندسی کامپیوتر, یادگیری ماشین