• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于近似結(jié)構(gòu)風(fēng)險(xiǎn)的ELM隱層節(jié)點(diǎn)數(shù)優(yōu)化

    2014-06-06 10:46:47黃重慶徐哲壯黃宴委賴(lài)大虎
    計(jì)算機(jī)工程 2014年9期
    關(guān)鍵詞:隱層學(xué)習(xí)機(jī)信任

    黃重慶,徐哲壯,黃宴委,賴(lài)大虎

    (福州大學(xué)電氣工程與自動(dòng)化學(xué)院,福州350108)

    基于近似結(jié)構(gòu)風(fēng)險(xiǎn)的ELM隱層節(jié)點(diǎn)數(shù)優(yōu)化

    黃重慶,徐哲壯,黃宴委,賴(lài)大虎

    (福州大學(xué)電氣工程與自動(dòng)化學(xué)院,福州350108)

    隱層節(jié)點(diǎn)數(shù)是影響極端學(xué)習(xí)機(jī)(ELM)泛化性能的關(guān)鍵參數(shù),針對(duì)傳統(tǒng)的ELM隱層節(jié)點(diǎn)數(shù)確定算法中優(yōu)化過(guò)程復(fù)雜、容易過(guò)學(xué)習(xí)或陷入局部最優(yōu)的問(wèn)題,提出結(jié)構(gòu)風(fēng)險(xiǎn)最小化-極端學(xué)習(xí)機(jī)(SRM-ELM)算法。通過(guò)分析VC維與隱層節(jié)點(diǎn)數(shù)量之間的關(guān)聯(lián),對(duì)VC信任函數(shù)進(jìn)行近似改進(jìn),使其為凹函數(shù),并結(jié)合經(jīng)驗(yàn)風(fēng)險(xiǎn)重構(gòu)近似的SRM。在此基礎(chǔ)上,將粒子群優(yōu)化的位置值直接作為ELM的隱層節(jié)點(diǎn)數(shù),利用粒子群算法最小化結(jié)構(gòu)風(fēng)險(xiǎn)函數(shù)獲得極端學(xué)習(xí)機(jī)的隱層節(jié)點(diǎn)數(shù),作為最優(yōu)節(jié)點(diǎn)數(shù)。使用6組UCI數(shù)據(jù)和膠囊缺陷數(shù)據(jù)進(jìn)行仿真驗(yàn)證,結(jié)果表明,該算法能獲得極端學(xué)習(xí)機(jī)的最優(yōu)節(jié)點(diǎn)數(shù),并具有更好的泛化能力。

    極端學(xué)習(xí)機(jī);結(jié)構(gòu)風(fēng)險(xiǎn);VC信任;粒子群優(yōu)化;隱層節(jié)點(diǎn)數(shù)

    1 概述

    極端學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)[1]是一種單隱層前饋神經(jīng)網(wǎng)絡(luò),具有運(yùn)算速度快、泛化性能好等特點(diǎn)。與普通的前饋神經(jīng)網(wǎng)絡(luò)一樣,ELM為保證良好的泛化性能,確定合適的隱層節(jié)點(diǎn)數(shù)量尤為重要。文獻(xiàn)[2]指出,ELM雖然避免了梯度下降法存在的問(wèn)題,但如何確定最優(yōu)隱層節(jié)點(diǎn)數(shù),避免反復(fù)試驗(yàn)調(diào)節(jié),依然是個(gè)亟待解決的問(wèn)題。文獻(xiàn)[3]針對(duì)稀疏數(shù)據(jù)學(xué)習(xí)問(wèn)題提出了RCGA-ELM算法,利用遺傳算法,優(yōu)化ELM的隱層節(jié)點(diǎn)數(shù)、權(quán)重w和偏置b,由于涉及多重算子,算法復(fù)雜,耗費(fèi)大量時(shí)間。為了降低算法復(fù)雜度,提出了S-ELM算法,以5倍交叉驗(yàn)證來(lái)選擇S-ELM的最佳參數(shù)w和b值。PSO-ELM[4], IPSO-ELM[5]和ICGA-SRM-ELM[6]均提出基于粒子群優(yōu)化(Particle Swarm Optimization,PSO)算法對(duì)ELM進(jìn)行改進(jìn),其中,PSO-ELM以均方根誤差為優(yōu)化目標(biāo)針對(duì)ELM中的w和b進(jìn)行自動(dòng)選擇與優(yōu)化。IPSO-ELM與ICGA-SRM-ELM類(lèi)似,強(qiáng)調(diào)優(yōu)化ELM的w和隱層節(jié)點(diǎn)數(shù),但I(xiàn)PSO-ELM強(qiáng)調(diào)優(yōu)化ELM的w值,并未涉及隱層節(jié)點(diǎn)數(shù)的優(yōu)化問(wèn)題,而且優(yōu)化目標(biāo)函數(shù)及迭代選擇標(biāo)準(zhǔn)與E-ELM[7]無(wú)實(shí)質(zhì)差別。ICGA-SRM-ELM則針對(duì)在經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則下對(duì)隱層節(jié)點(diǎn)數(shù)進(jìn)行分析,但沒(méi)給出具體形式。文獻(xiàn)[8]提出一種能自動(dòng)確定隱層節(jié)點(diǎn)的OP-ELM算法,但是需通過(guò)多元稀疏回歸和留一(LOO)算法,把開(kāi)始設(shè)定的大隱層節(jié)點(diǎn)數(shù)刪減到最佳值,這與EM-ELM和μGELM[9]一樣,需要多重判斷標(biāo)準(zhǔn)機(jī)制來(lái)選擇增加或刪減節(jié)點(diǎn),使整個(gè)算法趨于復(fù)雜。此外,μG-ELM用遺傳算法優(yōu)化隱層節(jié)點(diǎn)數(shù),給出的優(yōu)化目標(biāo)函數(shù)僅僅是經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化,容易出現(xiàn)過(guò)學(xué)習(xí)。這些工作對(duì)ELM的可調(diào)參數(shù)優(yōu)化研究都做出了或多或少的貢獻(xiàn),但還是存在一些不足之處:(1)沒(méi)有給出具體的優(yōu)化目標(biāo)函數(shù);(2)優(yōu)化目標(biāo)函數(shù)為經(jīng)驗(yàn)風(fēng)險(xiǎn),容易出現(xiàn)過(guò)學(xué)習(xí)或陷入局部最優(yōu);(3)利用遺傳、差分進(jìn)化算法優(yōu)化過(guò)程復(fù)雜。

    本文提出一種SRM-ELM算法,改進(jìn)VC信任函數(shù)以獲得凹函數(shù),與經(jīng)驗(yàn)風(fēng)險(xiǎn)構(gòu)成近似的結(jié)構(gòu)風(fēng)險(xiǎn)最小化(Structural Risk Minimization,SRM)函數(shù),利用PSO算法尋找SRM最小化時(shí)的ELM隱層節(jié)點(diǎn)數(shù),為最佳的隱層節(jié)點(diǎn)數(shù)量。最后,由6組UCI數(shù)據(jù)和膠囊缺陷數(shù)據(jù)來(lái)仿真驗(yàn)證SRM-ELM的可行性與性能。

    2 ELM基本原理

    給定N個(gè)訓(xùn)練樣本(xi,yi),xi=[xi1,xi2,…, xin]T∈Rn,yi=[yi1,yi2,…,yim]T∈Rm,i=1,2,…, N。令隱層節(jié)點(diǎn)數(shù)量為K,激活函數(shù)為g(w,x,b),可構(gòu)造一個(gè)單隱層網(wǎng)絡(luò),則ELM模型為:

    其中,i=1,2,…,N;j=1,2,…,K;wj=[wj1,wj2,…,wjn]T是連接輸入節(jié)點(diǎn)到第j個(gè)隱層節(jié)點(diǎn)的輸入權(quán)重;βj=[βj1,βj2,…,βjm]T是連接第j個(gè)隱層節(jié)點(diǎn)到輸出節(jié)點(diǎn)的輸出權(quán)重;bj是第 j個(gè)隱層節(jié)點(diǎn)的閾值。

    把N個(gè)學(xué)習(xí)樣本分別代入式(1)中可得:

    其中:

    H稱(chēng)為網(wǎng)絡(luò)隱層輸出矩陣。在一般情況下,隱層節(jié)點(diǎn)數(shù)遠(yuǎn)小于訓(xùn)練樣本數(shù),即K?N,H就可能不是一個(gè)方陣,因此需求H的偽逆,即Moore-Penrose廣義逆。在式(2)中,任意人為給定w和b,以及激活函數(shù)g(w,x,b),由Moore-Penrose廣義逆定理求得廣義逆H+,從而β的解為:

    與傳統(tǒng)的梯度下降法比較,ELM具有運(yùn)算速度快和不需反復(fù)調(diào)整權(quán)值等特點(diǎn)[10],但隱層節(jié)點(diǎn)數(shù)K成為影響ELM泛化性能的重要因素之一,如何自動(dòng)選擇參數(shù)K為本文研究重點(diǎn)。

    3 SRM-ELM算法

    3.1 SRM原理

    為克服經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化存在的過(guò)學(xué)習(xí)問(wèn)題,文獻(xiàn)[11]提出了SRM[11],有如下結(jié)論:

    對(duì)于來(lái)自具有有限VC維h的完全有界函數(shù)集0≤Q(z,α)≤B,α∈Λ的所有函數(shù),則:

    成立的概率至少為1-η。式中R(α)為期望風(fēng)險(xiǎn);Remp(α)為經(jīng)驗(yàn)風(fēng)險(xiǎn),且:

    其中,N為樣本數(shù)量,0<a≤4,0<b≤2,η∈(0,1],兩類(lèi)問(wèn)題中B=1,式(4)右邊第2項(xiàng)稱(chēng)為VC信任或VC置信區(qū)間。由SRM原則,為使R(α)最小,則必須使Remp(α)和VC信任總和最小。而在給定樣本情況下,VC信任取決于整個(gè)函數(shù)集的VC維h。從文獻(xiàn)[12-14]可知,隱層激活函數(shù)為sigmoid的神經(jīng)網(wǎng)絡(luò)VC維為:

    其中,λ為網(wǎng)絡(luò)的權(quán)值個(gè)數(shù);l為網(wǎng)絡(luò)的隱層數(shù);n0為隱層神經(jīng)元和輸出層神經(jīng)元的總數(shù)。

    由式(6)可知,h均與λ有關(guān),對(duì)ELM來(lái)講,l= 1,則:

    其中,n為ELM輸入維數(shù);m為ELM輸出維數(shù);n和m由樣本確定。在n和m已知情況下,由式(7)可知VC維h為隱層節(jié)點(diǎn)數(shù)K的函數(shù)。

    根據(jù)統(tǒng)計(jì)學(xué)習(xí)理論,令式(4)中B=1,則VC信任可寫(xiě)成:

    令a=4,b=1,對(duì)h求一次導(dǎo)得:

    由式(9)可知,h=N時(shí)為僅有的極大值點(diǎn),即h=N時(shí)f(h)取得最大值。

    3.2 VC信任函數(shù)的改進(jìn)

    利用UCI數(shù)據(jù)庫(kù)中的Haberman數(shù)據(jù)進(jìn)行VC信任函數(shù)式(9)特性分析。圖1為VC信任函數(shù)f(h)與h的關(guān)系。在h∈[0,N]時(shí)f(h)為凸函數(shù)(經(jīng)過(guò)歸一化),則式(4)右邊兩項(xiàng)的和很難求出全局最小值,相反很容易陷入局部最小值,為此需要對(duì)f(h)進(jìn)行改進(jìn)。

    不難發(fā)現(xiàn),對(duì)于任意h,滿(mǎn)足下列公式:

    則式(4)寫(xiě)成:

    另一方面,由式(4)得出概率:

    由式(11)和式(12),得:

    其中,η0∈(0,1],η∈(0,1]。即不等式:

    成立的概率至少為1-η。

    同樣利用UCI數(shù)據(jù)庫(kù)中的Haberman數(shù)據(jù)對(duì)改進(jìn)后的VC信任函數(shù)φ(h)與VC維h之間的關(guān)系進(jìn)行分析,如圖1所示。從圖1可知,改進(jìn)后VC信任φ(h)為VC維h的凹函數(shù),式(14)是VC維h的函數(shù),可近似獲得ELM的泛化能力:

    圖1 f(h)、φ(h)與h的關(guān)系

    3.3 PSO基本原理

    本文把PSO的位置值直接作為ELM的隱層節(jié)點(diǎn)數(shù),PSO每迭代一次相當(dāng)于ELM訓(xùn)練一次,迭代完畢后即獲得最優(yōu)隱層節(jié)點(diǎn)數(shù)。

    基于慣性權(quán)重的粒子速度v和位置p更新公式為:

    其中,是粒子i在第k次迭代中的第d維位置;是粒子i在第k次迭代中的第d維速度;為粒子i在第k次迭代中第d維達(dá)到的最好位置;為粒子群在第k次迭代中第d維達(dá)到的最優(yōu)位置,d=1,2,…,N;c1,c2為學(xué)習(xí)因子,一般c1=c2=2;rand1,rand2介于(0,1)之間。

    慣性權(quán)重τ計(jì)算公式為:

    其中,τmax和τmin分別表示權(quán)重的最大值和最小值;itmax表示最大的迭代次數(shù);NC表示當(dāng)前迭代的次數(shù)。粒子在搜索過(guò)程中都有一個(gè)最大最小速度和最大最小位置,設(shè)置規(guī)則見(jiàn)PSO-ELM[4]。

    PSO算法的優(yōu)勢(shì)在于結(jié)構(gòu)簡(jiǎn)單,容易實(shí)現(xiàn),且沒(méi)有過(guò)多參數(shù)需要調(diào)整,可以直接把粒子的位置參數(shù)替換成需要優(yōu)化的決策變量。SRM-ELM直接把PSO的位置值當(dāng)作隱層節(jié)點(diǎn)數(shù),粒子群最終達(dá)到的最佳位置就是所要尋找的最優(yōu)節(jié)點(diǎn)數(shù)。

    3.4 SRM-ELM算法流程

    SRM-ELM算法步驟如下:

    Step 1 粒子種群初始化。

    Step 2 粒子的位置量p直接作為隱層節(jié)點(diǎn)數(shù)K賦予ELM。

    Step 3 在ELM訓(xùn)練的過(guò)程中,根據(jù)每個(gè)粒子的位置值(隱層節(jié)點(diǎn)數(shù))計(jì)算對(duì)應(yīng)的目標(biāo)函數(shù)R(α,h)。

    Step 4 更新粒子最優(yōu)位置pbest和粒子群最優(yōu)位置gbest。如果當(dāng)前粒子的R(α,h)比上一代小,則對(duì)應(yīng)的位置作為目前粒子到達(dá)的最優(yōu)位置;如果當(dāng)前粒子群的最小R(α,h)比上一代的小,則對(duì)應(yīng)的位置作為目前粒子群到達(dá)的最優(yōu)位置。否則不更新。

    Step 5 更新粒子位置p和速度v。根據(jù)式(16)和式(17)重新計(jì)算粒子的位置和速度。

    Step 6 迭代終止。如果NC>itmax,則優(yōu)化結(jié)束,最后得到的粒子群最優(yōu)位置即所求的最優(yōu)隱層節(jié)點(diǎn)數(shù)K。否則轉(zhuǎn)到Step2循環(huán)操作。

    PSO和ELM的結(jié)合關(guān)鍵在于PSO把位置值賦予ELM,作為隱層節(jié)點(diǎn)于ELM主體中,同時(shí)把目標(biāo)函數(shù)R(α,h)植入ELM,隨著PSO算法的迭代,逐漸接近最好的位置,即逐漸優(yōu)化出最佳隱層節(jié)點(diǎn)數(shù)。

    4 仿真實(shí)驗(yàn)

    4.1 參數(shù)設(shè)置

    4.2 UCI數(shù)據(jù)

    本文分別用UCI數(shù)據(jù)庫(kù)中的6組2類(lèi)數(shù)據(jù)來(lái)驗(yàn)證SRM-ELM算法,6組數(shù)據(jù)如表1所示。

    表1 數(shù)據(jù)信息

    在ELM設(shè)計(jì)時(shí),一般利用交叉驗(yàn)證法在K值預(yù)設(shè)定的范圍內(nèi)確定最佳隱層節(jié)點(diǎn)數(shù)K。由Haberman數(shù)據(jù)進(jìn)行仿真,假設(shè)令K從1~300遞增,依次得到對(duì)測(cè)試樣本的分類(lèi)精度如圖2(a)所示,圖2(b)為最高測(cè)試精度為0.739 6所對(duì)應(yīng)的隱層節(jié)點(diǎn)數(shù)K=5。從圖2可知隨著K值繼續(xù)增加,ELM的測(cè)量精度總體上是遞減的,當(dāng)4≤K≤9時(shí),ELM具有很好的測(cè)試精度。

    利用SRM-ELM算法對(duì)6組數(shù)據(jù)分別連續(xù)重復(fù)仿真50次,求平均值確定最佳隱層節(jié)點(diǎn)數(shù)K完成ELM網(wǎng)絡(luò)設(shè)計(jì)。圖3為Haberman數(shù)據(jù)的仿真結(jié)果,其中圖3(a)為50次仿真所得到的隱層節(jié)點(diǎn)數(shù)K,從50次仿真可知,K值主要集中于6≤K≤9,落在交叉驗(yàn)證法得到K的范圍中。圖3(b)為第10次仿真中隱層節(jié)點(diǎn)數(shù)K收斂情況,K從1遞增到10,在第16代時(shí)收斂于7。對(duì)比圖3與圖2可知,由SRMELM算法所獲得K值能夠很好地符合由交叉驗(yàn)證法得到的K值。

    圖2 ELM對(duì)Haberman數(shù)據(jù)的測(cè)試精度

    圖3 隱層節(jié)點(diǎn)數(shù)K分布

    表2 SRM-ELM、ELM與試湊公式N0= +c的性能比較

    表2 SRM-ELM、ELM與試湊公式N0= +c的性能比較

    數(shù)據(jù)類(lèi)型 交叉驗(yàn)證法ELM N0= a+b+c SRM-ELMK測(cè)試精度/% K 測(cè)試精度/% K 測(cè)試精度/% Haberman 4~9 73.62±0.34 3~12 73.45±0.31 6~9 73.57±0.25 Blood 28~45 86.75±0.17 3~12 86.25±0.12 35~40 86.75±0.17 Pima 10~17 79.48±0.12 4~13 79.21±0.03 13~17 79.34±0.03 Ionosphere 35~55 91.58±0.49 7~16 85.64±0.30 27~33 90.59±0.19 Breast Cancer 35~50 99.75±0.15 4~13 99.75±0.15 13~21 99.25±0.10 Australian Credit 13~23 86.58±0.05 5~14 85.00±0.18 14~19 86.58±0.05

    4.3 膠囊外觀缺陷檢測(cè)

    圖4 正常膠囊和各種缺陷膠囊

    表3 膠囊缺陷檢測(cè)結(jié)果

    5 結(jié)束語(yǔ)

    本文針對(duì)隱層節(jié)點(diǎn)數(shù)量影響ELM泛化性能的問(wèn)題,提出一種SRM-ELM算法。SRM-ELM在結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則下,建立隱層節(jié)點(diǎn)數(shù)與泛化能力的關(guān)系函數(shù),利用PSO簡(jiǎn)單高效的全局搜索能力,優(yōu)化ELM的隱層節(jié)點(diǎn)數(shù),避免了傳統(tǒng)方法反復(fù)調(diào)節(jié)實(shí)驗(yàn)的繁瑣。由6組標(biāo)準(zhǔn)數(shù)據(jù)實(shí)驗(yàn)結(jié)果顯示,利用SRMELM計(jì)算得到的最優(yōu)隱層節(jié)點(diǎn)數(shù)均落在交叉驗(yàn)證法得到的ELM最優(yōu)隱層節(jié)點(diǎn)數(shù)范圍內(nèi),保證了良好的泛化性能,與試湊法比較顯現(xiàn)出準(zhǔn)確性高、推廣性好的優(yōu)勢(shì),并且可將該方法用于膠囊外觀缺陷檢測(cè)中。

    [1] Huang Guangbin,ZhuQinyu,Siew C K.Extreme Learning Machine:A New Learning Scheme of Feed Forward Neural Networks[C]//Proc.of IEEE International Joint Conference on Neural Networks. [S.l.]:IEEE Press,2004:985-990.

    [2] Feng Guorui,Huang Guangbin,Lin Qingping.Error Minimized Extreme Learning Machine with Growth of Hidden Nodes and Incremental Learning[J].IEEE Transactions on NeuralNetworks,2009,20(8): 1352-1357.

    [3] Suresh S,Saraswathi S,Sundararajan N.Performance Enhancement of Extreme Learning Machine for Multicategory Sparse Cancer Classification[J].Engineering Applications of Artificial Intelligence,2010,23(7): 1149-1157.

    [4] Xu You,Shu Yang.Evolutionary Extreme Learning Machine Based on Particle Swarm Optimization[C]// Advances in Neural Networks.[S.l.]:Springer,2006: 644-652.

    [5] Han Fei,YaoHaifen,LingQinghua.AnImproved Extreme Learning Machine Based on Particle Swarm Optimization[C]//Proc.of the 7th International Conference on IntelligentComputing.Zhengzhou, China:[s.n.],2012:699-704.

    [6] Saraswathi S,Sundaram S,Sundararajan N.ICGA-PSOELM Approach for Multiclass Cancer Classification Resulting Reduced Gene Sets in Which Genes Encoding Secreted Proteins are Highly Represented Inaccurate[J]. IEEE/ACM Transactions on Computational Biology and Bioinformatics,2010,8(2):452-463.

    [7] Zhu Qinyu,Qin A K,Suganthan P N.Evolutionary Extreme Learning Machine[J].Pattern Recognition, 2005,38(10):1759-1763.

    [8] Miche Y,Sorjamaa A,Bas P.OP-ELM:Optimally Pruned Extreme Learning Machine[J].IEEE Transactions on Neural Networks,2010,21(1):158-162.

    [9] Lahoz D,Lacruz B,Mateo P M.A Biobjective Microgenetic Extreme Learning Machine[C]//Proc.of IEEE Workshop on Hybrid Intelligent Models and Applications.[S.l.]:IEEE Press,2011:68-75.

    [10] Huang Guangbin,ZhuQinyu,Siew C K.Extreme Learning Machine[J].Neurocomputing,2006,70(1): 489-501.

    [11] Vapnik V N.Statistical Learning Theory[M].New York, USA:Wiley,1998.

    [12] Koiran P,Sontag E D.Neural Networks with Quadratic VC Dimension[J].Journal of Computer and System Science,1997,54(1):190-198.

    [13] Bartlett P L,Maiorov V,Meir R.Almost Linear VC Dimension Bounds for Piecewise Polynomial Networks [J].Neural Computation,1998,10(8):2159-2173.

    [14] Karpinski M,Macintyre A.Polynomial Bounds for VC Dimension of Sigmoidal and General Pfaffian Neural Networks[J].JournalofComputerand System Sciences,1997,54(1):169-176.

    [15] 朱啟兵,劉 杰,李允公,等.基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的奇異值分解降噪研究[J].振動(dòng)工程學(xué)報(bào),2005, 18(2):204-207.

    編輯 顧逸斐

    Optimization for Hidden Nodes Number of ELM Based on Approximate Structure Risk

    HUANG Chong-qing,XU Zhe-zhuang,HUANG Yan-wei,LAI Da-hu
    (College of Electrical Engineering&Automation,Fuzhou University,Fuzhou 350108,China)

    The number of hidden nodes is a critical factor for the generalization of Extreme Learning Machine(ELM). There exists complex optimization process,over learning or traps in local optimum in traditional algorithm of calculating the number of hidden layer of ELM.Aiming at the problems,Structural Risk Minimization(SRM)-ELM is proposed. Combining empirical risk with VC confidence,this paper proposes a novel algorithm to automatically obtain the best one to guarantee good generalization.On this basis,the Particle Swarm Optimization(PSO)position value is directly treated as ELM hidden layer nodes,which employs the PSO in the optimizing process with Structural Risk Minimization(SRM) principle.The optimal number of hidden nodes is reasonable correspond to 6 cases.Simulation results show that the algorithm can obtain the extreme learning machine optimal nodes and better generalization ability.

    Extreme Learning Machine(ELM);structural risk;VC confidence;Particle Swarm Optimization(PSO); hidden nodes number

    1000-3428(2014)09-0215-05

    A

    TP18

    10.3969/j.issn.1000-3428.2014.09.043

    教育部博士點(diǎn)新教師基金資助項(xiàng)目(20113514120007);福建省教育廳科技基金資助項(xiàng)目(JA10034)。

    黃重慶(1989-),男,碩士研究生,主研方向:圖像處理,智能系統(tǒng);徐哲壯(通訊作者),講師、博士;黃宴委,副教授、博士;賴(lài)大虎,碩士。

    2013-08-12

    2013-10-10E-mail:297964854@qq.com

    猜你喜歡
    隱層學(xué)習(xí)機(jī)信任
    基于RTD可編程邏輯門(mén)的n變量函數(shù)實(shí)現(xiàn)算法
    基于RDPSO結(jié)構(gòu)優(yōu)化的三隱層BP神經(jīng)網(wǎng)絡(luò)水質(zhì)預(yù)測(cè)模型及應(yīng)用
    人民珠江(2019年4期)2019-04-20 02:32:00
    表示信任
    極限學(xué)習(xí)機(jī)綜述
    基于極限學(xué)習(xí)機(jī)參數(shù)遷移的域適應(yīng)算法
    分層極限學(xué)習(xí)機(jī)在滾動(dòng)軸承故障診斷中的應(yīng)用
    嚶嚶嚶,人與人的信任在哪里……
    桃之夭夭B(2017年2期)2017-02-24 17:32:43
    從生到死有多遠(yuǎn)
    信任
    最優(yōu)隱層BP神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷
    男女无遮挡免费网站观看| 精品一区二区三区四区五区乱码 | 亚洲中文av在线| 天天添夜夜摸| a级毛片在线看网站| 欧美日韩福利视频一区二区| 99久久精品国产亚洲精品| 亚洲综合色网址| av国产精品久久久久影院| 少妇猛男粗大的猛烈进出视频| 王馨瑶露胸无遮挡在线观看| 99久国产av精品国产电影| 亚洲欧美激情在线| 亚洲图色成人| 午夜影院在线不卡| 欧美变态另类bdsm刘玥| 亚洲精品一二三| 亚洲国产精品999| 国产毛片在线视频| 尾随美女入室| 另类亚洲欧美激情| 成年人免费黄色播放视频| 人人妻人人爽人人添夜夜欢视频| 老汉色av国产亚洲站长工具| 日韩熟女老妇一区二区性免费视频| 美女高潮到喷水免费观看| 国产精品av久久久久免费| 国产成人精品无人区| 亚洲av男天堂| 一区二区三区乱码不卡18| 天天躁夜夜躁狠狠躁躁| 夫妻性生交免费视频一级片| 亚洲国产av影院在线观看| 高清不卡的av网站| 成年av动漫网址| 日韩 欧美 亚洲 中文字幕| 人妻 亚洲 视频| 久久国产精品男人的天堂亚洲| 狠狠精品人妻久久久久久综合| 成年av动漫网址| 九九爱精品视频在线观看| 极品少妇高潮喷水抽搐| 91成人精品电影| 波多野结衣av一区二区av| 人人妻,人人澡人人爽秒播 | 精品卡一卡二卡四卡免费| 天天躁日日躁夜夜躁夜夜| 狂野欧美激情性bbbbbb| 黄色 视频免费看| 如何舔出高潮| 国产深夜福利视频在线观看| h视频一区二区三区| 国产成人系列免费观看| 天天躁狠狠躁夜夜躁狠狠躁| 亚洲第一av免费看| 深夜精品福利| 色94色欧美一区二区| 国产高清不卡午夜福利| 亚洲国产日韩一区二区| 午夜免费观看性视频| 少妇被粗大的猛进出69影院| 免费在线观看完整版高清| 你懂的网址亚洲精品在线观看| 免费不卡黄色视频| 国产精品嫩草影院av在线观看| 欧美在线黄色| 日韩av在线免费看完整版不卡| 国产成人啪精品午夜网站| 亚洲欧美一区二区三区国产| 久久久久精品人妻al黑| 菩萨蛮人人尽说江南好唐韦庄| 中文字幕高清在线视频| 欧美精品高潮呻吟av久久| 国产一区二区激情短视频 | 亚洲七黄色美女视频| 亚洲精品乱久久久久久| 日韩 亚洲 欧美在线| 精品人妻在线不人妻| 伊人亚洲综合成人网| 欧美国产精品一级二级三级| 麻豆乱淫一区二区| 国产在线免费精品| 在线观看三级黄色| 欧美日韩av久久| 两个人免费观看高清视频| 国产精品 国内视频| 欧美国产精品一级二级三级| 999精品在线视频| 91精品三级在线观看| 免费观看a级毛片全部| 啦啦啦中文免费视频观看日本| 久久久久久久大尺度免费视频| 黄色视频不卡| 色吧在线观看| 一级a爱视频在线免费观看| 午夜免费男女啪啪视频观看| 国产 一区精品| 啦啦啦中文免费视频观看日本| 久久久久久人妻| 国产成人精品福利久久| 亚洲成国产人片在线观看| 日本欧美国产在线视频| av视频免费观看在线观看| 亚洲av国产av综合av卡| 国产成人av激情在线播放| 亚洲国产成人一精品久久久| 免费观看人在逋| 欧美人与善性xxx| 男人操女人黄网站| 色播在线永久视频| 国产xxxxx性猛交| av网站免费在线观看视频| svipshipincom国产片| 韩国av在线不卡| 国产毛片在线视频| 桃花免费在线播放| 一边摸一边抽搐一进一出视频| 在线观看免费视频网站a站| 日韩av在线免费看完整版不卡| 久久影院123| 免费看av在线观看网站| 成年人免费黄色播放视频| 菩萨蛮人人尽说江南好唐韦庄| 超碰成人久久| 亚洲久久久国产精品| 免费在线观看黄色视频的| 王馨瑶露胸无遮挡在线观看| 亚洲精品久久成人aⅴ小说| 国产黄色免费在线视频| xxxhd国产人妻xxx| 久久久久久人妻| 肉色欧美久久久久久久蜜桃| 夫妻午夜视频| 亚洲精品国产av蜜桃| 天天添夜夜摸| 欧美国产精品一级二级三级| 久久人人97超碰香蕉20202| 国产av精品麻豆| 精品午夜福利在线看| 黄色视频在线播放观看不卡| 国产在线视频一区二区| 可以免费在线观看a视频的电影网站 | 国产探花极品一区二区| 亚洲国产欧美在线一区| 建设人人有责人人尽责人人享有的| 欧美黑人精品巨大| 亚洲人成电影观看| 久久精品国产综合久久久| 久久国产精品男人的天堂亚洲| 1024视频免费在线观看| 大片免费播放器 马上看| 久久久国产欧美日韩av| 色精品久久人妻99蜜桃| 一区二区三区四区激情视频| 久久国产精品男人的天堂亚洲| 18在线观看网站| 久久精品久久精品一区二区三区| 国产又爽黄色视频| 男人操女人黄网站| 无限看片的www在线观看| 午夜福利乱码中文字幕| 美女主播在线视频| 热99国产精品久久久久久7| 亚洲国产看品久久| 只有这里有精品99| 国产在视频线精品| 1024香蕉在线观看| 少妇的丰满在线观看| 成年人午夜在线观看视频| h视频一区二区三区| 交换朋友夫妻互换小说| 日韩av免费高清视频| 国产精品久久久久久精品古装| 亚洲成色77777| 十分钟在线观看高清视频www| 午夜激情av网站| 中文字幕人妻丝袜一区二区 | 国产免费又黄又爽又色| av福利片在线| 亚洲欧美精品综合一区二区三区| 人人妻人人澡人人爽人人夜夜| 在线观看三级黄色| 熟妇人妻不卡中文字幕| av网站免费在线观看视频| av国产精品久久久久影院| 精品亚洲成国产av| 午夜日本视频在线| 美国免费a级毛片| 国产一卡二卡三卡精品 | 制服人妻中文乱码| 国产精品免费视频内射| 美女中出高潮动态图| 18禁国产床啪视频网站| 国产福利在线免费观看视频| 菩萨蛮人人尽说江南好唐韦庄| 亚洲精品av麻豆狂野| 激情视频va一区二区三区| 美女视频免费永久观看网站| 麻豆乱淫一区二区| 亚洲精品一区蜜桃| 巨乳人妻的诱惑在线观看| 国产一区二区激情短视频 | 免费少妇av软件| 天天操日日干夜夜撸| 天堂8中文在线网| 99久久人妻综合| 美女大奶头黄色视频| 国产成人免费无遮挡视频| 国产xxxxx性猛交| 街头女战士在线观看网站| 99久久综合免费| 国产精品香港三级国产av潘金莲 | 爱豆传媒免费全集在线观看| 久久久久久人妻| a级毛片在线看网站| 午夜日韩欧美国产| 男女床上黄色一级片免费看| 精品午夜福利在线看| 国产成人欧美| 十八禁人妻一区二区| 99久久99久久久精品蜜桃| 秋霞伦理黄片| 桃花免费在线播放| 久久久久久人人人人人| 亚洲精品日韩在线中文字幕| 超碰成人久久| 性高湖久久久久久久久免费观看| 亚洲av电影在线观看一区二区三区| 亚洲av在线观看美女高潮| av在线观看视频网站免费| 一本大道久久a久久精品| 尾随美女入室| 欧美少妇被猛烈插入视频| 九九爱精品视频在线观看| 1024视频免费在线观看| 亚洲四区av| 亚洲精品美女久久久久99蜜臀 | 男人爽女人下面视频在线观看| 91精品三级在线观看| 国产亚洲欧美精品永久| 黑人巨大精品欧美一区二区蜜桃| 黄片无遮挡物在线观看| 日韩 亚洲 欧美在线| 国产男女超爽视频在线观看| 国产一区二区 视频在线| 搡老岳熟女国产| 日本色播在线视频| 亚洲精品第二区| 国产熟女欧美一区二区| 国精品久久久久久国模美| 如何舔出高潮| 欧美亚洲 丝袜 人妻 在线| 亚洲自偷自拍图片 自拍| 欧美人与善性xxx| 高清av免费在线| 老熟女久久久| 国产极品粉嫩免费观看在线| 亚洲精品在线美女| 久久免费观看电影| 久久国产亚洲av麻豆专区| 国产不卡av网站在线观看| 色婷婷av一区二区三区视频| 国产一级毛片在线| 汤姆久久久久久久影院中文字幕| 一边摸一边抽搐一进一出视频| 亚洲中文av在线| 亚洲精品国产色婷婷电影| 日日啪夜夜爽| av.在线天堂| 在线观看三级黄色| 成年人午夜在线观看视频| 日韩视频在线欧美| 捣出白浆h1v1| 国产熟女午夜一区二区三区| 在线观看免费高清a一片| 久久人人97超碰香蕉20202| 精品酒店卫生间| 国产极品粉嫩免费观看在线| 亚洲婷婷狠狠爱综合网| 亚洲少妇的诱惑av| 天天操日日干夜夜撸| 亚洲婷婷狠狠爱综合网| 看十八女毛片水多多多| 久久 成人 亚洲| 国产又色又爽无遮挡免| 丰满乱子伦码专区| 日韩电影二区| xxx大片免费视频| 亚洲国产成人一精品久久久| 黄片无遮挡物在线观看| 国产亚洲一区二区精品| 国产精品国产三级专区第一集| www日本在线高清视频| 国产免费现黄频在线看| 一区二区三区四区激情视频| 人人妻人人爽人人添夜夜欢视频| 成人漫画全彩无遮挡| 青春草视频在线免费观看| 日韩精品有码人妻一区| 悠悠久久av| 麻豆av在线久日| 亚洲自偷自拍图片 自拍| 国产精品一区二区在线观看99| 亚洲情色 制服丝袜| 无遮挡黄片免费观看| 少妇被粗大猛烈的视频| 纯流量卡能插随身wifi吗| 日韩大码丰满熟妇| 狂野欧美激情性bbbbbb| 麻豆av在线久日| 一边摸一边抽搐一进一出视频| 欧美激情高清一区二区三区 | 国产熟女欧美一区二区| 国语对白做爰xxxⅹ性视频网站| 国产一区二区三区综合在线观看| 看免费av毛片| 国产探花极品一区二区| 两个人看的免费小视频| 熟女av电影| 日本猛色少妇xxxxx猛交久久| 亚洲国产毛片av蜜桃av| 大码成人一级视频| 欧美精品高潮呻吟av久久| 日本vs欧美在线观看视频| 999久久久国产精品视频| 波多野结衣一区麻豆| 秋霞在线观看毛片| 久久99精品国语久久久| 在线观看www视频免费| 18在线观看网站| 一级a爱视频在线免费观看| 永久免费av网站大全| 日韩免费高清中文字幕av| 亚洲人成77777在线视频| 久久青草综合色| 亚洲,欧美精品.| 多毛熟女@视频| 日韩精品免费视频一区二区三区| 国产亚洲午夜精品一区二区久久| 考比视频在线观看| 欧美少妇被猛烈插入视频| 午夜福利乱码中文字幕| 男女高潮啪啪啪动态图| 亚洲第一青青草原| 亚洲国产精品一区三区| 免费在线观看完整版高清| 搡老乐熟女国产| 久久精品aⅴ一区二区三区四区| 成人国产av品久久久| 美女大奶头黄色视频| 亚洲自偷自拍图片 自拍| 丝袜美腿诱惑在线| 不卡av一区二区三区| 国产av精品麻豆| 天堂8中文在线网| 亚洲精华国产精华液的使用体验| 国产亚洲最大av| 考比视频在线观看| 久久久久精品国产欧美久久久 | 18禁裸乳无遮挡动漫免费视频| 久久久久久人妻| 欧美精品人与动牲交sv欧美| 国产成人a∨麻豆精品| 欧美日本中文国产一区发布| 日本av手机在线免费观看| 久久av网站| av天堂久久9| 秋霞伦理黄片| 制服人妻中文乱码| 国产不卡av网站在线观看| 欧美少妇被猛烈插入视频| 国产精品久久久人人做人人爽| 午夜激情久久久久久久| 午夜福利乱码中文字幕| av一本久久久久| av视频免费观看在线观看| 国产亚洲午夜精品一区二区久久| 两个人免费观看高清视频| 2018国产大陆天天弄谢| h视频一区二区三区| 熟女少妇亚洲综合色aaa.| 精品一品国产午夜福利视频| 男女高潮啪啪啪动态图| 亚洲第一青青草原| 啦啦啦中文免费视频观看日本| 十八禁网站网址无遮挡| 国产99久久九九免费精品| 岛国毛片在线播放| 少妇猛男粗大的猛烈进出视频| 看十八女毛片水多多多| 欧美日韩国产mv在线观看视频| 免费高清在线观看日韩| 欧美国产精品va在线观看不卡| 免费观看人在逋| 超碰成人久久| 男女边摸边吃奶| 九色亚洲精品在线播放| 超色免费av| 婷婷色av中文字幕| 操出白浆在线播放| 亚洲国产精品国产精品| 少妇的丰满在线观看| 美女午夜性视频免费| 久久久久国产一级毛片高清牌| 精品一区二区三卡| 又粗又硬又长又爽又黄的视频| 国产免费又黄又爽又色| 欧美少妇被猛烈插入视频| a级片在线免费高清观看视频| 亚洲av电影在线观看一区二区三区| 久久亚洲国产成人精品v| 精品第一国产精品| 在线精品无人区一区二区三| 热re99久久国产66热| 国产男女超爽视频在线观看| 老司机影院成人| 欧美精品一区二区大全| 少妇人妻精品综合一区二区| 欧美精品一区二区免费开放| 亚洲专区中文字幕在线 | 天天躁狠狠躁夜夜躁狠狠躁| 日韩av免费高清视频| 午夜免费男女啪啪视频观看| 久久99热这里只频精品6学生| 国产在线免费精品| 夜夜骑夜夜射夜夜干| 99国产综合亚洲精品| 一本大道久久a久久精品| 男女免费视频国产| 国产亚洲av高清不卡| 亚洲国产看品久久| 国产精品 欧美亚洲| 国产淫语在线视频| 多毛熟女@视频| 国产一卡二卡三卡精品 | 国产不卡av网站在线观看| 欧美久久黑人一区二区| 精品酒店卫生间| 亚洲综合精品二区| 最近最新中文字幕大全免费视频 | 亚洲视频免费观看视频| 久久青草综合色| 久久久国产精品麻豆| 国产成人免费无遮挡视频| 熟女av电影| 欧美少妇被猛烈插入视频| 一个人免费看片子| 亚洲欧洲国产日韩| 丰满饥渴人妻一区二区三| 国产精品一区二区在线观看99| 久久综合国产亚洲精品| 免费黄网站久久成人精品| 亚洲一区二区三区欧美精品| 精品久久久精品久久久| kizo精华| svipshipincom国产片| 久久婷婷青草| 国产熟女午夜一区二区三区| 国产老妇伦熟女老妇高清| 亚洲第一青青草原| 精品久久久久久电影网| 日韩一区二区三区影片| 亚洲婷婷狠狠爱综合网| 亚洲精品国产av成人精品| 丰满少妇做爰视频| 欧美激情 高清一区二区三区| 国产 一区精品| 免费黄色在线免费观看| 国产av码专区亚洲av| 午夜福利视频精品| 热99国产精品久久久久久7| 久久久亚洲精品成人影院| 国产精品一二三区在线看| av福利片在线| 久久国产精品男人的天堂亚洲| 欧美国产精品一级二级三级| 黄色一级大片看看| 免费在线观看视频国产中文字幕亚洲 | 午夜日韩欧美国产| 国产成人精品无人区| 丰满饥渴人妻一区二区三| 又大又黄又爽视频免费| 青春草视频在线免费观看| 久久久久人妻精品一区果冻| 欧美日本中文国产一区发布| 婷婷色综合www| 亚洲av国产av综合av卡| 亚洲专区中文字幕在线 | 亚洲精品一二三| 亚洲,一卡二卡三卡| 国产熟女欧美一区二区| 侵犯人妻中文字幕一二三四区| 国产 一区精品| 国产乱人偷精品视频| 国产亚洲午夜精品一区二区久久| 久久久久精品人妻al黑| 日本欧美国产在线视频| 91国产中文字幕| 丝瓜视频免费看黄片| 亚洲综合色网址| 欧美人与善性xxx| netflix在线观看网站| a级毛片在线看网站| 黄色 视频免费看| 亚洲精品乱久久久久久| 午夜福利一区二区在线看| 国产精品欧美亚洲77777| 亚洲av在线观看美女高潮| 国产熟女午夜一区二区三区| 在线精品无人区一区二区三| 十分钟在线观看高清视频www| 咕卡用的链子| 一区二区三区激情视频| 制服丝袜香蕉在线| 亚洲,一卡二卡三卡| 一个人免费看片子| 波多野结衣一区麻豆| 最近的中文字幕免费完整| 免费观看av网站的网址| 校园人妻丝袜中文字幕| 免费看不卡的av| 亚洲精品国产一区二区精华液| 男女午夜视频在线观看| 一区二区av电影网| 国产欧美日韩一区二区三区在线| 如日韩欧美国产精品一区二区三区| 国产亚洲av高清不卡| 亚洲av电影在线进入| 国产xxxxx性猛交| 精品国产露脸久久av麻豆| 亚洲精品日本国产第一区| 日本av免费视频播放| 一个人免费看片子| 成人漫画全彩无遮挡| 精品国产一区二区三区久久久樱花| 久久久久精品性色| 美女主播在线视频| 精品国产一区二区三区四区第35| 亚洲,一卡二卡三卡| 国产免费福利视频在线观看| 国产乱来视频区| 亚洲伊人久久精品综合| 熟女av电影| 欧美日韩国产mv在线观看视频| 亚洲av电影在线进入| 啦啦啦视频在线资源免费观看| 成年人免费黄色播放视频| 大香蕉久久网| 性少妇av在线| 日韩中文字幕欧美一区二区 | 国产午夜精品一二区理论片| 熟女少妇亚洲综合色aaa.| 一级爰片在线观看| 最近最新中文字幕免费大全7| 久久人人97超碰香蕉20202| 欧美日韩福利视频一区二区| 国产在线一区二区三区精| 又大又黄又爽视频免费| 丝袜在线中文字幕| 哪个播放器可以免费观看大片| 亚洲精品一区蜜桃| 国产一区二区在线观看av| 高清在线视频一区二区三区| 国产97色在线日韩免费| 一级爰片在线观看| 一级片'在线观看视频| 精品人妻在线不人妻| www.熟女人妻精品国产| 免费看不卡的av| 国产日韩一区二区三区精品不卡| 国产av一区二区精品久久| 黑人欧美特级aaaaaa片| 男女免费视频国产| 18禁动态无遮挡网站| √禁漫天堂资源中文www| 亚洲中文av在线| 一级黄片播放器| 菩萨蛮人人尽说江南好唐韦庄| 国产伦理片在线播放av一区| 天天躁日日躁夜夜躁夜夜| 国产一区二区三区av在线| 国产精品香港三级国产av潘金莲 | 18禁观看日本| 欧美另类一区| 欧美最新免费一区二区三区| 在线免费观看不下载黄p国产| 色吧在线观看| 国产探花极品一区二区| 九色亚洲精品在线播放| 国产一区二区在线观看av| 深夜精品福利| 9热在线视频观看99| 在线观看免费午夜福利视频| 日韩精品免费视频一区二区三区| 男男h啪啪无遮挡| 久久精品亚洲av国产电影网| 国产亚洲av片在线观看秒播厂| 久久青草综合色| 1024视频免费在线观看| 在线观看人妻少妇| 亚洲精品av麻豆狂野| 日韩av在线免费看完整版不卡| 一个人免费看片子| 久久 成人 亚洲| 午夜日本视频在线| 搡老岳熟女国产| 久久国产亚洲av麻豆专区| 久久99精品国语久久久| 亚洲成人免费av在线播放| 日本爱情动作片www.在线观看| 亚洲激情五月婷婷啪啪| 国产亚洲精品第一综合不卡| 国精品久久久久久国模美| 午夜日本视频在线| 天天躁狠狠躁夜夜躁狠狠躁|