基于极限学习机的图像压缩算法

神经网络具有并行分布处理、自学习、自适应和很强的鲁棒性及容错性等优点,已被广泛应用于图像压缩领域,为图像压缩提供了一个新途径。极限学习机是一种单隐层前向神经网络算法,与传统神经网络算法相比,具有学习速度快、泛化能力强等优点。文中旨在提出一种基于极限学习机的图像压缩算法。该算法主要利用极限学习机的非线性映射能力,对图像进行压缩编码和解码。首先利用极限学习机通过学习构建一个用于图像压缩的单隐层前向神经网络模型,其次利用该模型实现图像压缩和图像重建。实验结果表明,在相同压缩比下,所提算法的重建效果优于BP神经网络,并且具有较快的学习速度。

凸增量极限学习机的逼近阶

针对增量极限学习机(Convex incremental extreme learning machine,CI-ELM)的逼近能力分析问题,提出了一种基于Cauchy-Schwarz不等式的方法对CI-ELM算法的逼近阶进行定量分析.该方法针对激活函数g(x)所生成的函数序列定义了一个特殊的规范激活函数空间D,并在D上构造目标函数空间A_1(D),在Cauchy-Schwarz不等式基础上,利用分类讨论思想及数学归纳法对CI-ELM算法的逼近阶进行定量描述,从而初步揭示CI-ELM算法快速收敛的本质.结果证明,在目标函数空间A_1(D)上,CI-ELM逼近阶为O(n-1/2).

一种改进的极端学习机算法

为了提高极端学习机算法的稳定性和学习速度,结合L1/2正则化理论提出一种改进的极端学习机算法——基于L1/2正则化的快速学习算法(L1/2-RELM).该算法首先采用L1/2正则项对极端学习机算法进行约束,其次运用half算法确定网络输出权重,提高了算法的稳定性和学习速度.数值实验表明,所提算法的学习速度比极端学习机算法的学习速度更快,且性能更加稳定.

极端学习机FIR滤波器的设计

极端学习机作为单隐层前向神经网络的一种典型学习算法,学习速度快,泛化能力好,在函数逼近和模式分类领域都有广泛应用.本文把极端学习机的应用拓展到滤波器的设计当中,通过对数字信号处理中实例的计算机仿真,验证该算法设计的FIR滤波器具有较好的性能,能够取得理想的滤波效果,通带与阻带边界频率容易精确控制,且初始条件随机给定,算法速度快.