双伪逆权值确定的极限学习机算法及其在乳腺肿瘤诊断中的应用

针对传统极限学习机(ELM)算法随机确定输入层权值和隐含层偏置导致的隐含层神经元过多和性能不稳定等问题,提出双伪逆权值确定的极限学习机算法。该算法的输出权值随机确定,其输入权值通过伪逆计算得到,随后再次使用伪逆法确定输出权值,使得输入权值和输出权值都为最优;最后,采用生长法确定网络的隐含神经元个数。将改进后的算法应用于乳腺肿瘤分类识别,验证其诊断准确率。研究结果表明:与传统极限学习机算法相比,改进后算法的分类准确率得到提升,且当其达到最佳分类准确率时,所需隐含层神经元个数减少,算法的稳定性更优。本文所提算法在乳腺肿瘤辅助诊断模型中具有分类准确率高、假阴性率低的优点。

基于去噪自编码器的镜像极限学习机设计

针对极限学习机在高维度、含噪声数据集中需要大量隐含层节点来保证分类性能的问题,设计了镜像极限学习机.该算法使用伪逆法确定输入权值,随机生成输出权值和偏置,在对数据进行分类时,它仅需极少的隐含层节点.为了提升镜像极限学习机的分类性能和抗噪性,将它与去噪自编码器相结合.利用去噪自编码器对输入数据进行特征提取,并将提取到的特征作为镜像极限学习机的输入数据,再进行网络训练.在无噪和含噪声的MNIST,Fashion MNIST,Rectangles和Convex数据集中,将基于去噪自编码器的镜像极限学习机与ELM,PCA-ELM,SAA-2和DAE-ELM作对比实验,结果表明,基于去噪自编码器的镜像极限学习机的综合性能最优,用于分类的网络隐含层节点数最少.