關於ELMs技術的理論評價及其在數據挖掘中的套用研究

《關於ELMs技術的理論評價及其在數據挖掘中的套用研究》是依託西北大學，由張瑞擔任項目負責人的面上項目。

基本介紹

• 中文名：關於ELMs技術的理論評價及其在數據挖掘中的套用研究
• 項目類別：面上項目
• 項目負責人：張瑞
• 依託單位：西北大學

項目摘要

Extreme Learning Machines (ELMs) 系列算法是通過採用隨機機制以減少參數設定和選擇，從而大大提高學習速度並保證泛化能力的一類快速學習算法。雖然該技術自提出在近幾年得到了迅速發展及廣泛套用，然而我們對ELMs技術的本質性態仍缺乏清晰認識，從而阻滯了ELMs技術更進一步的深入套用。源於這一現狀，本項目研究旨在對ELMs技術的機理與理論形態進行分析並進一步探索ELMs技術在數據挖掘中各個不同領域的深入套用。將發展基於隨機參數規劃穩定性理論的ELMs技術可用性分析及基於算法複雜性及效率評估理論的ELMs技術有效性分析；對ELMs與SVM（SVR），boosting，正則化算法等現代技術展開比較研究，揭示各個算法的優勢及它們之間的本質內在聯繫；揭示ELMs系列算法快速收斂的本質性態；所獲結果將為ELMs技術的進一步發展與在數據挖掘中的深入套用奠定理論基礎。

結題摘要

Extreme Learning Machines (ELMs) 系列算法是通過採用隨機機制以減少參數設定和選擇，從而大大提高學習速度並保證泛化能力的一類快速學習算法。雖然該技術自提出在近幾年得到了迅速發展及廣泛套用，然而由於對ELMs技術的本質性態仍缺乏清晰的認識從而阻滯了ELMs技術更進一步的深入套用。源於這一現狀，本課題研究了高複雜環境下ELMs技術的可用性與有效性。構建了ELMs技術的統一學習框架；提出了動態選擇網路結構的方法及基於稀疏特徵的最優網路結構選擇方法。展開了ELMs技術與其它機器學習技術的比較研究。研究了ELMs技術與LS-SVM以及PSVM的內在本質聯繫與區別；並在此基礎上分別改進並擴展了正則化ELM算法和基於核函式的ELM算法；提出了提高學習速度的FRCF-ELM算法。系統研究了ELMs技術的全局逼近能力和收斂性態。證明了LP空間上ELMs技術的全局逼近能力；揭示了線上學習的收斂性態；提出了ELM系列新算法及其全局逼近能力研究，包括OCI-ELM算法、ECI-ELM算法、AIE-ELM算法及D-ELM算法。探索了ELMs技術在信用風險評估、股票預測及癲癇自動檢測等不同領域中的套用。這些研究成果豐富和發展了ELMs技術的機理與理論性態，並為進一步探索ELMs技術在數據挖掘中各個不同領域的深入套用奠定了基礎。