简介：针对深层超限学习机算法在网络层数较浅时样本特征利用率低,和网络层数较深时样本特征经高层抽象后有效性降低的问题,本文提出了两种密集连接的多层超限学习机算法:Dense-HELM和Dense-KELM.这种密集连接的网络结构,使样本特征信息在层与层之间被充分利用,能够在不增加网络深度的情况下,显著提高算法的识别精度.最后,对文中提出的两种算法在20组基准数据集上进行实验,结果显示:本文提出的算法可以显著提高算法的识别精度,减少算法的训练时间,这表明所提出的算法具有有效性和实用性.
简介：单隐层前向神经网络的学习能力是有限的.特别地,作为分类器,单隐层前向神经网络对于图像的复杂信息和不同图像之间的细节信息很难学习和处理.文章借鉴深度神经网络的思想,将单隐层矩阵输入的神经网络拓展到多隐层神经网络,并采用传统的反向传播算法对其训练并给出学习算法.通过多个数据库的实验对比,结果显示所提出的算法具有良好的效果.
密集连接的多层超限学习机算法
矩阵输入的多层前向神经网络学习算法
