计算机工程与科学

作者：张辉1,2，师统1，王耀南2

单位：（1.长沙理工大学电气与信息工程学院，湖南 长沙 410012； 2.湖南大学电气与信息工程学院，湖南 长沙 410082）

关键词：极端学习机,影响度分析,剪枝算法,网络规模,分类算法,

基金：国家自然科学基金（61401046）;国家科技支撑计划(2015BAF11B01);湖南省自然科学基金(13JJ4058);湖南省教育厅科学研究青年项目（13B135）;图像测量与视觉导航湖南省重点实验室开放课题（TXCL?KF2013?001）;长沙市科技计划项目（K1404019?11）

针对极端学习机（ELM）网络规模控制问题，从剪枝思路出发，提出了一种基于影响度剪枝的ELM分类算法。利用ELM网络单个隐节点连接输入层和输出层的权值向量、该隐节点的输出、初始隐节点个数以及训练样本个数，定义单个隐节点相对于整个网络学习的影响度，根据影响度判断隐节点的重要性并将其排序，采用与ELM网络规模相匹配的剪枝步长删除冗余节点，最后更新隐含层与输入层和输出层连接的权值向量。通过对多个UCI机器学习数据集进行分类实验，并将提出的算法与EM?ELM、P?ELM和ELM算法相比较，结果表明，该算法具有较高的稳定性和测试精度，训练速度较快，并能有效地控制网络规模。

来源：2016年第4期

《计算机工程与科学》期刊编辑部

查看计算机工程与科学杂志2016年第4期