Resumen

Una máquina de aprendizaje extremo (ELM) es una técnica útil para el aprendizaje automático; sin embargo, los métodos existentes de máquina de aprendizaje extremo no pueden explotar bien la información de la estructura geométrica o la información discriminante del espacio de datos. Por lo tanto, proponemos una máquina de aprendizaje extremo de varianza máxima que preserva la globalidad-localidad (GLELM) basada en el aprendizaje de variedades. Basándose en las características del método tradicional ELM, GLELM introduce los principios básicos del análisis discriminante lineal (LDA) y la proyección de preservación local (LPP) en ELM, teniendo en cuenta completamente la información discriminante contenida en la muestra. Este método puede preservar las estructuras de variedades globales y locales de los datos para optimizar la dirección de proyección del clasificador. Experimentos en varias bases de datos de imágenes ampliamente utilizadas y conjuntos de datos de UCI validan el rendimiento de GLELM. Los resultados experimentales muestran que el modelo prop

• Materias:Modelo de tráfico Sistemas antifrágiles Sistemas multiagente Componentes complejos
• Subjects:Traffic model Anti-fragile systems Multiagent systems Complex components
• Palabras claves:Máquina de aprendizaje extremo; Estructura geométrica; Información discriminante; Preservación de la varianza máxima global-localidad; Aprendizaje de variedad; Análisis discriminante lineal
• Keywords:Extreme learning machine; Geometric structure; Discriminate information; Globality-locality preserving maximum variance; Manifold learning; Linear discriminant analysis