拉普拉斯多層極速學(xué)習(xí)機

　　極速學(xué)習(xí)機不僅僅是有效的分類器，還能應(yīng)用到半監(jiān)督學(xué)習(xí)中，但是，半監(jiān)督極速學(xué)習(xí)機和拉普拉斯光滑孿生支持向量機一樣，是一種淺層學(xué)習(xí)算法．深度學(xué)習(xí)實現(xiàn)了復(fù)雜函數(shù)的逼近并緩解了以前多層神經(jīng)網(wǎng)絡(luò)算法的局部最小性問題，目前在機器學(xué)習(xí)領(lǐng)域中引起了廣泛的關(guān)注．多層極速學(xué)習(xí)機（ML-ELM）是根據(jù)深度學(xué)習(xí)和極速學(xué)習(xí)機的思想提出的算法，通過堆疊極速學(xué)習(xí)機一自動編碼器算法（ELM-AE）構(gòu)建多層神經(jīng)網(wǎng)絡(luò)模型，不僅實現(xiàn)了復(fù)雜函數(shù)的逼近，并且訓(xùn)練過程中無需迭代，學(xué)習(xí)效率高，把流形正則化框架引入ML-ELM中，提出拉普拉斯多層極速學(xué)習(xí)機算法（Lap-ML-ELM）．然而，ELM-AE不能很好地解決過擬合問題．針對這一問題，把權(quán)值不確定引入ELM-AE中，提出權(quán)值不確定極速學(xué)習(xí)機一自動編碼器算法（WU-ELM-AE），可學(xué)習(xí)到更為魯棒的特征．最后，在前面兩種算法的基礎(chǔ)上提出權(quán)值不確定拉普拉斯多層極速學(xué)習(xí)機算法（WUL-ML-ELM），它堆疊WU-ELM-AE構(gòu)建深度模型，并用流形正則化框架求取輸出權(quán)值．該算法在分類精度上有明顯提高并且不需花費太多的時間．實驗結(jié)果表明，Lap-ML-ELM與WUL-ML-ELM都是有效的半監(jiān)督學(xué)習(xí)算法。