期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
一类拥有不确定权值的椭圆方程解的存在性
1
作者
赵志锟
蒲志林
《四川师范大学学报(自然科学版)》
CAS
CSCD
北大核心
2006年第6期703-707,共5页
研究了D irichlet问题-△pu=:-d iv(|u|p-2 u)=λW(x)|u|p-2u+f(x,u),x∈Ω,u=0,x∈Ω,其中,Ω是Rn(n≥3)上的一个有界域,W(x)是一个不确定权值,通过局部环绕,证明在λ与W(x)满足适当条件下,该方程有弱解及无穷多解的存在性.
关键词
环绕
不确定
权值
次临界增长
临界点
特征值
无穷多解
下载PDF
职称材料
拉普拉斯多层极速学习机
被引量:
8
2
作者
丁世飞
张楠
史忠植
《软件学报》
EI
CSCD
北大核心
2017年第10期2599-2610,共12页
极速学习机不仅仅是有效的分类器,还能应用到半监督学习中.但是,半监督极速学习机和拉普拉斯光滑孪生支持向量机一样,是一种浅层学习算法.深度学习实现了复杂函数的逼近并缓解了以前多层神经网络算法的局部最小性问题,目前在机器学习领...
极速学习机不仅仅是有效的分类器,还能应用到半监督学习中.但是,半监督极速学习机和拉普拉斯光滑孪生支持向量机一样,是一种浅层学习算法.深度学习实现了复杂函数的逼近并缓解了以前多层神经网络算法的局部最小性问题,目前在机器学习领域中引起了广泛的关注.多层极速学习机(ML-ELM)是根据深度学习和极速学习机的思想提出的算法,通过堆叠极速学习机-自动编码器算法(ELM-AE)构建多层神经网络模型,不仅实现了复杂函数的逼近,并且训练过程中无需迭代,学习效率高.把流形正则化框架引入ML-ELM中,提出拉普拉斯多层极速学习机算法(Lap-ML-ELM).然而,ELM-AE不能很好地解决过拟合问题.针对这一问题,把权值不确定引入ELM-AE中,提出权值不确定极速学习机-自动编码器算法(WU-ELM-AE),可学习到更为鲁棒的特征.最后,在前面两种算法的基础上提出权值不确定拉普拉斯多层极速学习机算法(WUL-ML-ELM),它堆叠WU-ELM-AE构建深度模型,并用流形正则化框架求取输出权值.该算法在分类精度上有明显提高并且不需花费太多的时间.实验结果表明,Lap-ML-ELM与WUL-ML-ELM都是有效的半监督学习算法.
展开更多
关键词
极速学习机
半监督学习
多层极速学习机
流形正则化
权值不确定
下载PDF
职称材料
题名
一类拥有不确定权值的椭圆方程解的存在性
1
作者
赵志锟
蒲志林
机构
绵阳师范学院数学与信息科学系
四川师范大学数学与软件科学学院
出处
《四川师范大学学报(自然科学版)》
CAS
CSCD
北大核心
2006年第6期703-707,共5页
基金
四川省教育厅自然科学重点基金资助项目
文摘
研究了D irichlet问题-△pu=:-d iv(|u|p-2 u)=λW(x)|u|p-2u+f(x,u),x∈Ω,u=0,x∈Ω,其中,Ω是Rn(n≥3)上的一个有界域,W(x)是一个不确定权值,通过局部环绕,证明在λ与W(x)满足适当条件下,该方程有弱解及无穷多解的存在性.
关键词
环绕
不确定
权值
次临界增长
临界点
特征值
无穷多解
Keywords
Linking
Indefinite weight
Subcitical growth
Critical point
Eigenvalue
Infinitely many solutions
分类号
O175.29 [理学—基础数学]
下载PDF
职称材料
题名
拉普拉斯多层极速学习机
被引量:
8
2
作者
丁世飞
张楠
史忠植
机构
中国矿业大学计算机科学与技术学院
中国科学院计算技术研究所智能信息处理重点实验室
出处
《软件学报》
EI
CSCD
北大核心
2017年第10期2599-2610,共12页
基金
国家自然科学基金(61672522
61379101)
国家重点基础研究发展计划(973)(2013CB329502)~~
文摘
极速学习机不仅仅是有效的分类器,还能应用到半监督学习中.但是,半监督极速学习机和拉普拉斯光滑孪生支持向量机一样,是一种浅层学习算法.深度学习实现了复杂函数的逼近并缓解了以前多层神经网络算法的局部最小性问题,目前在机器学习领域中引起了广泛的关注.多层极速学习机(ML-ELM)是根据深度学习和极速学习机的思想提出的算法,通过堆叠极速学习机-自动编码器算法(ELM-AE)构建多层神经网络模型,不仅实现了复杂函数的逼近,并且训练过程中无需迭代,学习效率高.把流形正则化框架引入ML-ELM中,提出拉普拉斯多层极速学习机算法(Lap-ML-ELM).然而,ELM-AE不能很好地解决过拟合问题.针对这一问题,把权值不确定引入ELM-AE中,提出权值不确定极速学习机-自动编码器算法(WU-ELM-AE),可学习到更为鲁棒的特征.最后,在前面两种算法的基础上提出权值不确定拉普拉斯多层极速学习机算法(WUL-ML-ELM),它堆叠WU-ELM-AE构建深度模型,并用流形正则化框架求取输出权值.该算法在分类精度上有明显提高并且不需花费太多的时间.实验结果表明,Lap-ML-ELM与WUL-ML-ELM都是有效的半监督学习算法.
关键词
极速学习机
半监督学习
多层极速学习机
流形正则化
权值不确定
Keywords
extreme learning machine
semi-supervised learning
multi layer extreme learning machine
manifold regularization
weight uncertainty
分类号
TP181 [自动化与计算机技术—控制理论与控制工程]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
一类拥有不确定权值的椭圆方程解的存在性
赵志锟
蒲志林
《四川师范大学学报(自然科学版)》
CAS
CSCD
北大核心
2006
0
下载PDF
职称材料
2
拉普拉斯多层极速学习机
丁世飞
张楠
史忠植
《软件学报》
EI
CSCD
北大核心
2017
8
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部