Resumen

La máquina de aprendizaje extremo (ELM), como un nuevo algoritmo de aprendizaje de redes neuronales alimentadas hacia adelante, ha sido ampliamente utilizado en aplicaciones prácticas debido a su buen rendimiento de generalización y rápida velocidad de aprendizaje. Sin embargo, el ELM estándar requiere más nodos ocultos en la aplicación debido a la asignación aleatoria de parámetros de la capa oculta, lo que a su vez tiene desventajas como poca esparcidad de la capa oculta, baja capacidad de ajuste y estructura de red compleja. En este artículo, proponemos un algoritmo ELM híbrido basado en el algoritmo de búsqueda de murciélagos y de búsqueda de cuclillos para optimizar el peso de entrada y el umbral del algoritmo ELM. Probamos el rendimiento experimental numérico de aproximación de funciones y problemas de clasificación bajo algunos conjuntos de datos de referencia; los resultados de la simulación muestran que el algoritmo propuesto puede obtener una precisión de predicción significativamente mejor en comparación con al

• Materias:Internet de las cosas Algoritmo iterativo Algoritmo de evaluación Viga viscoelástica Lenguaje de programación
• Subjects:Internet of things Iterative algorithm Evaluation algorithm Viscoelastic beam Programming language
• Palabras claves:Máquina de aprendizaje extremo; Red neuronal alimentada hacia adelante; Rendimiento de generalización; Nodos ocultos; Algoritmo híbrido ELM; Precisión de predicción
• Keywords:Extreme learning machine; Feedforward neural network; Generalization performance; Hidden nodes; Hybrid ELM algorithm; Prediction accuracy