[发明专利]一种改进的极速学习装置及其模式分类方法

摘要

一种改进的极速学习模型及其模式分类方法。本发明属于模式识别、机器学习领域，公开了一种高效的神经网络快速学习方法，受限极速学习机。它包括(1)受限参数空间的概念采用基于样本先验信息的侧抑制机制，具体体现在生成从输入层到隐含层连接权的生成上；(2)受限参数概念中的超球面受限条件从输入层到隐含层连接权的选取受限在超球面上；(3)输出权学习在受限参数空间内选取隐含层权值后，采用基于最小二乘的极速学习机模型，进行学习训练，最终得到模型的输出权值。以上方法，能够极大地提高模型的分类和识别效果，以及训练速度。

主权项

一种改进的极速学习装置，其特征在于，该装置分为输入层、隐含层和输出层，输入层为输入到装置的处理后的样本数据，在学习训练过程，每条样本数据会带有相应的所属类别标签，在测试过程，该装置能够输出预测所属类别标签；在隐含层，装置需要生成受限的权向量，用于隐含层的特征映射；在隐含层中，该装置会依据先前设置的激活函数，以及生成的受限的权向量，对样本做相应的变换；在学习训练过程，装置会计算出输出层的权值；在测试过程，装置会按照训练阶段得出的权值，返回预测类别标签，其中生成受限的权向量包括步骤1，从样本数据中随机抽取两个样本向量Xi1和Xi2，并生成两个[‑1，1]之间的随机数wi1和wi2；步骤2，生成一个随机权向量Wi＝wi1*Xi1+wi2*Xi2,将其归一化为Wi＝Wi/||Wi||，||Wi||为Wi的范数，作为从输入层到隐含层第i个神经元之间的连接权；步骤3，循环步骤1和步骤2，直到生成p个Wi；步骤4，根据p个Wi，构成受限的权矩阵W1＝[W1,W2,…,Wp]’。