基于近似结构风险的ELM隐层节点数优化

隐层节点数是影响极端学习机(ELM)泛化性能的关键参数,针对传统的ELM隐层节点数确定算法中优化过程复杂、容易过学习或陷入局部最优的问题,提出结构风险最小化-极端学习机(SRM-ELM)算法。通过分析VC维与隐层节点数量之间的关联,对VC信任函数进行近似改进,使其为凹函数,并结合经验风险重构近似的SRM。在此基础上,将粒子群优化的位置值直接作为ELM的隐层节点数,利用粒子群算法最小化结构风险函数获得极端学习机的隐层节点数,作为最优节点数。使用6组UCI数据和胶囊缺陷数据进行仿真验证,结果表明,该算法能获得极端学习机的最优节点数,并具有更好的泛化能力。

基于极端学习机的胶囊缺陷检测

针对胶囊常见的凹陷缺陷进行不变矩分析,提取胶囊的偏心率和圆形度为特征变量,提出一种基于极端学习机的胶囊缺陷检测与识别的方法,对胶囊进行检测分类.仿真结果表明基于极端学习机的胶囊分类算法能很好地区分出具有缺陷的胶囊,分辨正确率接近100%,运算速度比BP神经网络更快,训练过程稳定,也说明所提取的特征能很好区分有凹陷与无凹陷胶囊.