Resumen

La máquina de aprendizaje extremo es un algoritmo de aprendizaje rápido para redes neuronales feedforward de una sola capa oculta. Sin embargo, un número inadecuado de neuronas ocultas y los parámetros aleatorios tienen un gran efecto en el rendimiento de la máquina de aprendizaje extremo. Para seleccionar un número adecuado de neuronas ocultas, este trabajo propone un novedoso aprendizaje híbrido basado en un proceso de dos pasos. En primer lugar, los parámetros de la capa oculta se ajustan mediante un algoritmo de aprendizaje autoorganizado. A continuación, se determina la matriz de pesos de la capa de salida mediante el método inverso de Moore-Penrose. Se consideran nueve conjuntos de datos de clasificación para demostrar la eficacia del enfoque propuesto en comparación con la máquina de aprendizaje extremo original, la máquina de aprendizaje extremo con regularización de Tikhonov y los algoritmos de retropropagación. Los resultados muestran que el método propuesto es rápido y produce mejores resultados de precisión y generalización.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:máquina de aprendizaje extremo, neuronas ocultas, algoritmo de aprendizaje organizado, aprendizaje híbrido novedoso, capa oculta feedforward, algoritmo de aprendizaje rápido, métodos inversos, métodos propuestos, red neuronal, algoritmo de retropropagación
• Keywords:extreme learning machine, hidden neurons, organized learning algorithm, novel hybrid learning, hidden layer feedforward, fast learning algorithm, inverse methods, proposed methods, neural network, backpropagation algorithm