论文部分内容阅读
极限学习机(Extreme Learning Machine,ELM)在机器学习领域上是一种极具竞争力的学习算法,它结构简单,学习速度很快,与传统的检测技术支持向量机(Support Vector Machine,SVM)相比,在实际的检测中能更加准确高效的识别错误。另外,仿真结果显示,ELM有很强的扩展性,泛化能力也较好,因而在很多领域都有其相关应用。而Adaboost(Adaptive Boosting)是一种最流行的分类器集成算法,意在提高分类的传统性能。传统的分类算法往往只针对于两类问题的处理,如支持向量机。虽然也有一些针对多分类问题的算法,但通常计算的复杂度较高或者算法的识别准确性不是很好。但到目前为止很少有将ELM与Adaboost相结合直接用于处理多分类问题的算法。鉴于此,本文提出了一个将ELM作为基础分类器,以多类Adaboost算法为核心,并结合基于人脸识别的局部二值模式算法(Local BinaryPattern,LBP),用于处理多类人脸图像识别的问题。在实验中证明本算法较原始ELM算法的有效性。另一方面,随着信息技术的高速发展,随之而来的是大量复杂的高维数据。它们的日益剧增无疑给机器学习带来了挑战。而非负矩阵分解(Nonnegtive MatrixFactorization,NMF)是一个高效的降维方法,也在很多领域有其应用。在学习了目前所存在的各种有效的NMF算法之后,本文提出了一个新的算法,在原有的NMF基础上添加了正交非单位化以及图正则约束两个条件,并在理论和实际数据的测试中对算法进行证明。鉴于Qing He所提出的将NMF与ELM相结合的算法可以有效的减少数据降维的计算量,本文也试着将提出的算法与ELM算法相结合,针对实际情况做了一定的测试。实验结果表明,这种结合的方式在不同的隐藏节点数下,在很大程度上提高了算法的性能,具有一定的参考价值。