集成Dropout极限学习机数据分类方法

极限学习机(Extreme Learning Machine,ELM)是一种速度快,泛化能力强的训练单隐含层前馈神经网络(Single-hidden Layer Feed-forward Neural-network,SLFN)的算法. 但是在应用ELM解决实际问题时,需要先确定合适的SLFN结构. 然而,对于给定的问题,确定合适的SLFN结构是非常困难的. 针对这一问题,本文提出了一种集成学习方法. 用该方法解决问题时,不需要事先确定SLFN的结构. 提出的方法包括3步:(1)初始化一个比较大的SLFN;(2)用ELM重复训练若干个Dropout掉若干个隐含层结点的SLFNs;(3)用多数投票法集成训练好的SLFNs,并对测试样例进行分类. 在10个数据集上进行了实验,比较了本文提出的方法和传统的极限学习机方法. 实验结果表明,本文提出的方法在分类性能上优于传统的极限学习机算法