基于可拓聚类的极限学习机神经网络

？针对极限学习机(elm)算法随机选择输入层权值的问题，借鉴第2类型可拓神经网络(enn-2)聚类的思想，提出了一种基于可拓聚类的elm(ec-elm)神经网络。该神经网络是以隐含层神经元的径向基中心向量作为输入层权值，采用可拓聚类算法动态调整隐含层节点数目和径向基中心，并根据所确定的输入层权值，利用moore-penrose广义逆快速完成输出层权值的求解。同时，对标准的friedman#1回归数据集和wine分类数据集进行测试，结果表明，ec-elm提供了一种简便的神经网络结构和参数学习方法，并且比基于可拓理论的径向基函数(erbf)、elm神经网络具有更高的建模精度和更快的学习速度，为复杂过程的建模提供了新思路。