![](https://matlabtools.com/wp-content/uploads/2017/10/624_ML_ELM_matlab_code.jpg)
شبیه سازی مقاله: کرنل براساس شبکه عصبی چند لایه (ML-ELM) برای ارائه یادگیری
مجموعه: الگوریتم های فراابتکاری و هوشمند, شبکه عصبی, مهندسی کامپیوتر, یادگیری ماشین
پروژه۶۲۴: شبیه سازی مقاله isi در متلب سال ۲۰۱۶ + سورس کامل متلب + توضیحات خطوط برنامه + توضیحات جانبی
عنوان مقاله:
Kernel-Based Multilayer Extreme Learning Machines
for Representation Learning
کرنل براساس یادگیری ماشین چند لایه (ML-ELM) برای ارائه یادگیری
******************
دانلود: دانلود اصل مقاله لاتین
******************
خلاصه ای از کار:
اخیرا برای ارائه یادگیری از دستگاه یادگیری نهایی چندلایه (ML-ELM) درخودرمزگذار انباشته (SAE) استفاده می شود. برخلاف SAE سنتی ،زمان اموزش ML-ELM به میزان قابل توجهی از ساعتها تا ثانیه ها با صحت بالا کاهش می یابد. اما ML-ELM چند عیب دارد:۱-تنظیم دستی تعداد لایه های پنهان در هر لایه ،یک عامل نامعلوم برای زمان اموزش و کلی سازی است.۲-طرح تصادفی وزنهای ورودی و دادن ولتاژ قبلی به هر لایه ML-ELM منجر به تعمیم الگوی زیربهینه می شود.۳-راه حل شبه معکوس برای وزنهای خروجی هر لایه موجب خطای نسبتا بزرگ ساخت مجدد می شود.۴-زمان ذخیره سازی و اجرای ماتریسهای تغییرشکل در ارائه یادگیری با تعداد لایه های مخفی متناسب هستند. یک نوع ML-ELM مغزی بنام ELM کرنل چند لایه(ML-KELM) با الهام از یادگیری مغزی گسترش می یابد که کمکهای ان عبارتند از:۱-حذف تنظیم دستی مربوط به تعداد گره های مخفی هر لایه ۲- مکانیسم طرح غیرتصادفی برای تعمیم الگوی بهینه۳- راه حل معکوس دقیق برای وزنهای خروجی تحت ماتریس معکوس شدنی کرنل تضمین می شود که در نتیجه ان خطای ساخت مجدد کوچکتراست.۴-همه ماتریسهای تغییر شکل در دو گروه متحد می شوند تنها به این دلیل که ذخیره سازی کاهش یابد و زمان اجرای الگو کاهش یابد. مجموعه هایی از اطلاعات معیار در اندازه های مختلف برای ارزیابی ML-KELM بکار گرفته شده اند.نتایج تجربی کمکهای ML-KELM پیشنهادی را تائید کرده اند. صحت مجموعه اطلاعات معیار تا ۷٪ بهبود می یابد.
اصطلاحات شاخص: یادگیری کرنل، دستگاه یادگیری نهایی چند لایه (ML-ELM)، ارائه یادگیری، خودرمزگذار انباشته (SAE).
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.
برخی نتایج:
TrainingTime =
۰٫۷۵۷۴
TestingTime =
۰٫۰۵۵۳
TrainingAccuracy =
۰٫۴۱۰۰
TestingAccuracy =
۰٫۴۶۳۰
TrainingTime =
۰٫۷۵۷۴
TestingTime =
۰٫۰۵۵۳
TrainingAccuracy =
۰٫۴۱۰۰
TestingAccuracy =
۰٫۴۶۳۰
دیگر پروژه های قابل دانلود:
مجموعه: الگوریتم های فراابتکاری و هوشمند, شبکه عصبی, مهندسی کامپیوتر, یادگیری ماشینبرچسب ها 6 مقایسه SVM، PSVM و LS-SVM, 7 مدل ELM مبتنی بر محدودیت-بهینهسازی, 8.1 دسته بندی چنددستهای با ELM یک خروجی, 9 انتخاب نگاشت ویژگی برای ELM, ELM کرنل چند لایه(ML-KELM), ELM کرنل چند لایه(ML-KELM) در متلب, Kernel Extreme Learning Machines در متلب, Kernel-Based Multilayer Extreme Learning Machines در متلب, LS-SVM مدلهایی مشتق شده از ایده SVM, SAE سنتی در متلب, SLFNهای تعمیمیافته, ارزیابی ML-KELM در متلب, استفاده از کرنلها, برنامه متلب برای شبکه عصبی ML-ELM, بهینهسازی ELM محدودیتهای نرمتری نسبت به PSVM و LS-SVM, پیاده سازی Kernel-Based Multilayer Extreme Learning Machines, پیاده سازی خودرمزگذار انباشته (SAE) با متلب, پیاده سازی شبکه عصبی 2016 به بالا در متلب, پیاده سازی شبیه سازی مقاله: کرنل براساس شبکه عصبی چند لایه (ML-ELM) برای ارائه یادگیری, پیاده سازی متلب ML-ELM کامل, پیاده سازی متلب کرنل براساس یادگیری ماشین چند لایه (ML-ELM), پیاده سازی متلب نوع ML-ELM مغزی بنام ELM کرنل چند لایه(ML-KELM), پیاده سازی مثال های SAE سنتی در متلب, پیاده سازی مدل ELM یا همان Extreme Learning Machine, تنظیم دستی تعداد لایه های پنهان در شبکه عصبی, توابع تصمیمگیر خطی که SVM, جدید ترین شبکه عصبی ML-ELM, حذف تنظیم دستی مربوط به تعداد گره های مخفی هر لایه, خودرمزگذار انباشته (SAE), خودرمزگذار انباشته (SAE) در متلب, دانلود مقالات شبکه عصبی, دانلود مقاله به همراه شبیه سازی در متلب برای شبکه عصبی ML-ELM, راه حل شبه معکوس برای وزنهای خروجی هر لایه, راه حل شبه معکوس برای وزنهای شبکه عصبی, راه حل معکوس دقیق برای وزنهای خروجی تحت ماتریس معکوس شدنی کرنل, زمان اموزش ML-ELM شبکه عصبی, شبکه عصبی ML-ELM, شبکه عصبی به همراه کد برنامه متلب زمان اموزش ML-ELM, شبیه سازی کامل مقاله شبیه سازی مقاله: کرنل براساس شبکه عصبی چند لایه (ML-ELM) برای ارائه یادگیری, شبیه سازی متلب به رایگان در شبکه عصبی, شبیه سازی متلب راه حل شبه معکوس برای وزنهای, شبیه سازی مقاله 2016 به بالا مدلهای مبتنی بر SVM, شبیه سازی مقاله ELM کرنل چند لایه(ML-KELM), شبیه سازی مقاله LS-SVM همراه با کد سورس, شبیه سازی مقاله: کرنل براساس شبکه عصبی چند لایه (ML-ELM) برای ارائه یادگیری, شبیه سازی یادگیری از دستگاه یادگیری نهایی چندلایه (ML-ELM), طرح تصادفی وزنهای ورودی به شبکه عصبی مصنوعی, کرنل براساس یادگیری ماشین چند لایه (ML-ELM), کرنل براساس یادگیری ماشین چند لایه برای ارائه یادگیری, کرنل در متلب, مدل ELM بر روی شبکههای تعمیم یافته فیدفوروارد با تک لایه مخفی, مدل ELM معادل با SVM, مدل ELM یا همان Extreme Learning Machine در متلب, مدل LS-SVM مدل حداقل مربعات خطای SVM, مدل ریاضی برای PSVM, مدلهای SVM، شبکههای چندجملهای, مقالات شبکه عصبی به همراه شبیه سازی متلب, مقاله ارزیابی ML-KELM در متلب, مکانیسم طرح غیرتصادفی برای تعمیم الگوی بهینه۳, نوع ML-ELM مغزی بنام ELM کرنل چند لایه(ML-KELM), نوع ML-ELM مغزی بنام ELM کرنل چند لایه(ML-KELM) در متلب, هر لایه ML-ELM در شبکه عصبی مصنوعی, یادگیری از دستگاه یادگیری نهایی چندلایه (ML-ELM)