دانلود ترجمه مقاله ماشین آموزش سریع تجمعی دینامیک بر اساس آنتروپی نمونه – نشریه اسپرینگر

• فهرست مطالب:

چکیده
۱٫ مقدمه
۲٫ مرور مختصر ماشین یادگیری سریع و الگوریتم AdaBoost
الگوریتم ELM
۲٫ ۲ الگوریتم AdaBoost
۳٫ ماشین یادگیری سریع تجمعی پویا مبتنی بر انتروپی نمونه
الگوریتم DE-ELM
۴٫ نتایج و تحلیل آزمایش
۵٫ نتایج

• بخشی از ترجمه:

۵٫ نتایج
در این مقاله، روش DE-ELM مبتنی بر انتروپی نمونه پیشنهاد شده است که از AdaBoost برای آموزش N SLFNN آموزش دیده با ELM به عنوان N طبقه بند پایه استفاده نموده و نمونه جدید را با استراتژی مجموعه (تجمع) پویا طبقه بندی می نماید. DE-ELM نه تنها بر بسیاری از کمبودهای الگوریتم یادگیری مبتنی بر گرادیان سنتی نظیر کمینه محلی، میزان یادگیری نادرست، و سرعت پائین یادگیری، غلبه می نماید، بلکه همچنین می تواند مسائل و مشکلات ناپایداری و بیش برازش را در ELN اصلی رفع نموده و صحت پیش بینی را افزایش دهد. نتایج آزمایش نشان می دهد که شیوه پیشنهادی پایدار و کارآمد است.

• بخشی از مقاله انگلیسی:

۵ Conclusions

In this paper, based on sample entropy the DE-ELM is proposed, which use AdaBoost to train N SLFNNs trained with ELM as N base classifiers and classify a new sample by strategy of dynamic ensemble. The DE-ELM not only can overcome many shortages in the traditional gradientbased learning algorithm such as local minimal, improper learning rate, and low learning speed but also can alleviate the problems of instability and over-fitting in original ELN, and increase the prediction accuracy. The experimental results show that the proposed approach is robust and efficient.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله