极限学习机

关于ELM极限学习机0引言极限学习机不是一个新的东西，只是在算法（方法）上有新的内容。在神经网络结构上，就是一个前向传播的神经网络，结构上也没有什么大的创新，感觉就是BP神经网络的经典结构的升级也有比较明显的创新点，比较值得拿来讨论的如下：1）输入层和隐含层的连接权值、隐含层的阈值可以随机设定，且设定完后不用再调整。这和BP神经网络不一样，BP需要不断反向去调整权值和阈值。因此这里就能减少一半的运算量了。不过在BP网络中其实初始化阈值与权值也是在比较靠前的时候随机化拟定的2）隐含层和输出层之间的连接权值β不需要迭代调整，而是通过解方程组方式一次性确定。研究表明，通过这样的规则，模型的泛化性能很好，速度提高了不少。一言概之，ELM最大的特点就是对于传统的神经网络，尤其是单隐层前馈神经网络(SLFNs)，在保证学习精度的前提下比传统的学习算法速度更快。1关于极限学习机的概念极限学习机(ExtremeLearningMachine)ELM，是由黄广斌提出来的求解单隐层神经网络的算法。ELM最大的特点是对于传统的神经网络，尤其是单隐层前馈神经网络(SLFNs)，在保证学习精度的前提下比传统的学习算法速度更快。不过收敛的速度快不代表效果一定就好2图说极限学习机原理其实说到机器学习的学习，最先被介绍的基本都是感知机算法，但是仔细一想，其实也可以从极限学习机的角度进行最开始的拓展性介绍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输出权重。总而言之，也是通过一些线性代数的处理方便带入到lagrange方程的模型之中以便进行进一步的求出局部极值的处理，又是万恶的Lagrange