张海英+闫德勤+楚永贺

摘 要：极端学习机作为传统单隐层前馈神经网络（Single-Hidden Layer Feedforward Networks，SLFNs）的拓展在模式识别领域成为新的研究热点之一，然而已有的极端学习机算法及其改进不能较好地利用数据蕴含的判别信息。针对该问题，提出一种基于判别信息的正则极端学习机（Discriminative Information Regularized Extreme Learning Machine，IELM）。对于模式识别问题，IELM引入同类离散度和异类离散度的概念，体现输入空间数据的判别信息，通过最大化异类离散度和最小化同类离散度，优化极端学习机的输出权值，从而在一定程度上提高ELM的分类性能和泛化能力。为了评价和验证所提出方法的有效性，使用Yale、Yale B、ORL、UMIST人脸数据进行实验。结果表明，该算法能够显著提高ELM的分类性能和泛化能力。

关键词：极端学习机；单隐层前馈神经网络；判别信息；同类离散度；异类离散度

DOIDOI：10.11907/rjdk.171232

中图分类号：TP317.4

文献标识码：A 文章编号：1672-7800（2017）007-0187-04

0 引言

近来，极端学习机（Extreme Learning Machine， ELM）吸引了越来越多学者的关注，Huang等[1-2]基于单隐层前馈神经网络（Single-Hidden Layer Feedforward Networks， SLFNs）结构提出了极端学习机。ELM不同于传统的单隐层前馈神经网络（SLFNs），而是在最小化训练误差的同时最小化输出权值[3]。ELM随机选择输入权值并分析确定SLFNs的输出权值，避免了传统SLFNs学习方法收敛速度慢及陷入局部极小解的可能。ELM具有更好的泛化能力和更快的學习速度，使其在在线和实时应用中具有较高效率。由于ELM高效及易于实施的特点，适用于分类和回归等问题[4-5]。ELM现已成功运用到不平衡数据学习[6]、人脸识别[7]、噪音数据学习[8]、在线连续数据学习[9]等实际问题中。……