【技术实现步骤摘要】
面向半监督学习的拉普拉斯多层极速学习机方法及系统
本专利技术涉及模式识别和机器学习领域，具体涉及面向半监督学习的拉普拉斯多层极速学习机方法及系统。
技术介绍
极速学习机是一种高效简洁的单隐层前馈神经网络的学习算法。极速学习机只需要设定网络的隐层节点数，并且不需要调整网络的输入权值以及隐层的偏置，只需要学习一次就可得到唯一的最优解，所以极速学习机具有学习速度快、泛化性能好的优点。许多学者研究极速学习机在分类和回归上应用，例如：结合结构风险最小化理论提出了正则化极速学习机、针对非均衡数据的加权极速学习机、结合流形正则化的半监督极速学习机等。这些都给极速学习机注入了新的活力，并且极速学习机的可行性也在理论层次上得到了证明。半监督学习是机器学习的热点之一，目前的半监督学习算法大致可划分为三类：基于聚类假设的算法、基于协同训练的算法、基于图正则化框架的算法。基于图模型的半监督学习算法是半监督学习的一个热点，流形正则化是常用的图正则化框架。半监督极速学习机是基于流形正则化的半监督学习算法，但它们都是浅层学习算法。深度学习是一种多隐层多层感知器的人工神经网络学习算法，实现复杂函...
【技术保护点】
1.面向半监督学习的拉普拉斯多层极速学习机分类方法及系统，其特征在于，通过构建有标记数据与未标记数据作为样本集对拉普拉斯多层极速学习机神经网络进行训练，将训练好的神经网络保存，将未标记样本的属性作为输入，根据输出向量得到分类结果。
【技术特征摘要】
1.面向半监督学习的拉普拉斯多层极速学习机分类方法及系统，其特征在于，通过构建有标记数据与未标记数据作为样本集对拉普拉斯多层极速学习机神经网络进行训练，将训练好的神经网络保存，将未标记样本的属性作为输入，根据输出向量得到分类结果。2.根据权利要求1所述的方法，其特征是，所述的深度极速学习机神经网络为多层神经网络，包括输入层、三个隐层和一个输出层，其中：输入层结点数是样本的属性数，隐层结构为500-500-2000，最后一层隐层结点数不需要人为给定，输出层设置为类别数。3.根据权利要求1所述的方法，其特征是，所指的训练是指：利用所有样本属性构成的训练集与极速学习机-自动编码器网络计算前三层隐层的连接权值与拉普拉斯矩阵，然后利用流行正则化框架、标记样本最后一层隐层输出与其对应的标签计算最后一层隐层与输出层间的权值，完成对神经网络的训练。4.根据权利要求1...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。