Título: Extreme Learning Machine Baseada Em PSO Cooperativos
Autores: Silva, D. N. G.; Pacifico, L. D. S.; Ludermir, T. B.
Resumo: Extreme Learning Machine foi proposta como uma nova classe de algoritmo de aprendizagem para uma única camada escondida de uma rede neural feedforward (SLFN, do inglês single-hidden layer feedforward neural network) muito mais rápida do que a estratégia de aprendizagem tradicional baseada no gradiente. No entanto, a determinação aleatória dos pesos de entrada e bias ocultas da ELM pode levar a um desempenho não ideal, e poderá sofrer overfitting. Neste artigo são propostas quatro abordagens híbridas: GCPSO-ELM, CPSO-S k -ELM, CPSO-H k -ELM e GC-CPSO-H k -ELM. Todas as abordagens são baseadas na estratégia de Otimização por Exame de Partícula (PSO, do inglês Particle Swarm Optimizer) a fim de otimizar a seleção de pesos de entrada e bias ocultas para o algoritmo ELM. Os resultados experimentais mostram que essas abordagens são capazes de conseguir um melhor desempenho do que a generalização da ELM tradicional.
Palavras-chave: Computação Evolucionária; Extreme Learning Machine; Otimização por Exame de Partícula; Sistemas Híbridos; Treinamento de Redes Neurais Artificiais
Páginas: 8
Código DOI: 10.21528/CBIC2011-36.3
Artigo em pdf: st_36.3.pdf
Arquivo BibTex: st_36.3.bib