魏 迪,刘德山,楚永贺，闫德勤

(辽宁师范大学 计算机与信息技术学院,辽宁 大连 116081)

基于角度优化的鲁棒极端学习机算法

魏 迪,刘德山,楚永贺，闫德勤

(辽宁师范大学 计算机与信息技术学院,辽宁 大连 116081)

极端学习机因其学习速度快、泛化性能强等优点，在当今模式识别领域中已经成为了主流的研究方向;但是，由于该算法稳定性差，往往易受数据集中噪声的干扰，在实际应用中导致得到的分类效果不是很显著;因此，为了提高极端学习机分类的准确性，针对数据集样本中带有噪声和离群点问题，提出了一种基于角度优化的鲁棒极端学习机算法;该方法利用鲁棒激活函数角度优化的原则，首先降低了离群点对分类算法的影响，从而保持数据样本的全局结构信息，达到更好的去噪效果;其次，有效的避免隐层节点输出矩阵求解不准的问题，进一步增强极端学习机的泛化性能;通过应用在普遍图像数据库上的实验结果表明，这种提出的算法与其他算法相比具有更强的鲁棒性和较高的识别率。

极端学习机；鲁棒激活函数；角度优化

0 引言

极端学习机(extreme learning machine, ELM)是由Huang等人[1-5]在人工神经网络结构模型的基础上，提出的一种机器学习算法。该算法的特点是网络结构模型中的输入权值和隐层的偏置不需迭代，都是随机产生进行赋值，然后通过合适的激活函数就可以得到输出权值。极端学习机算法的出现，解决了传统的单隐层前馈神经网络计算速度缓慢的问题，且大大提高了网络训练过程的效率。……