La máquina de aprendizaje extremo Kernel (KELM) es una novedosa red neuronal feedforward, ampliamente utilizada en problemas de clasificación. Hasta cierto punto, resuelve los problemas existentes de los nodos no válidos y la gran complejidad computacional en ELM. Sin embargo, el clasificador KELM tradicional suele tener una precisión de prueba baja cuando se enfrenta a problemas de clasificación multiclase. Para resolver el problema anterior, en este trabajo se propone un nuevo clasificador, el clasificador KELM de wavelet de sombrero mexicano. El clasificador propuesto mejora con éxito la precisión del entrenamiento y reduce el tiempo de entrenamiento en los problemas de clasificación multiclase. Además, se demuestra rigurosamente la validez de la ondícula de sombrero mexicano como función kernel de ELM. Los resultados experimentales en diferentes conjuntos de datos muestran que el rendimiento del clasificador propuesto es significativamente superior a los clasificadores comparados.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Mejora de la productividad de lípidos y biomasa en Chlorella vulgaris diferenciando el medio de inoculación del medio de producción
Artículo:
Atenuación de la respuesta inmunitaria de los macrófagos mediante el aumento de la hidrofilia de la superficie de Ti
Artículo:
Efecto de la morfología del catalizador en la calidad del grafeno obtenido por CVD
Artículo:
Propiedades ópticas y fotocatalíticas de películas delgadas compuestas de CuxS/ZnO depositadas mediante pirolisis por pulverización robotizada
Artículo:
Un guión de diálogo extensible para un robot basado en la unificación de modelos de transición de estados