Improving Extreme Learning Machine Classification Using Adaptive Differential Evolution
محل انتشار: سومین کنگره بین المللی کامپیوتر، برق و مخابرات
سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 577
فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ITCC03_223
تاریخ نمایه سازی: 6 اردیبهشت 1396
چکیده مقاله:
Extreme Learning Machine (ELM) is the recently proposed learning approach which is based on Single-hidden Layer Feed-forward Network (SLFN). The main advantage of ELM is extremely fast learning speed and generalization ability but it suffers from randomly initialization of input weights and biases. To overcome this drawback, this paper proposes Adaptive Differential Evolution (ADE) method to find the best parameter setting of ELM. The proposed ADE utilizes the adaptation of mutation and crossover factors through the optimization process. The proposed ADE-ELM model is able to adaptively control the exploitation and exploration rates of DE over the search process, jump over the local optimal solution and obtain the global best solution (parameter setting of ELM) in the reduced running time. The results of the proposed method on several UCI datasets demonstrates the advantages of the proposed method.
کلیدواژه ها:
نویسندگان
Maral Arvanaghi Jadid
Faculty Of Computer and Information Technology Engineering, Qazvin branch, Islamic Azad University, Qazvin, Iran
Karim Faez
Department of Electrical Engineering, Amirkabir University of Technology, Tehran, Iran
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :