关于提升极限学习机学习能力及其在脑机接口中的应用
机器学习
2019-07-29 v1 信号处理
机器学习
摘要
作为一种伪逆学习，极限学习机(ELM)能够在基准数据集上以极快速度取得高性能。然而，当应用于现实大规模数据时，会出现与奇异值分解(SVD)方法低收敛性相关的性能下降。我们的研究旨在通过用理论上与经验上均高效得多的 5 种方法替代 SVD 来解决此问题：下上三角化、Hessenberg 分解、Schur 分解、修正 Gram-Schmidt 算法以及 Householder 反射。基于脑电图的脑机接口分类问题被用于比较以决定哪种方法最为有用。基于受试者的分类结果表明，若优先考虑训练速度，则宜选 Hessenberg 分解方法；若优先考虑性能，则应选择 Householder 反射方法。
引用
@article{arxiv.1907.06633,
title = {On improving learning capability of ELM and an application to brain-computer interface},
author = {Apdullah Yayık and Yakup Kutlu and Gökhan Altan},
journal= {arXiv preprint arXiv:1907.06633},
year = {2019}
}
备注
11 pages, 6 figures, Neural Computing and Application, Springer (under-review)