ELM 极限学习机与SVM支持向量机

在上一篇《DeepLearning 的挑战： Extreme Learning Machine（超限学习机）？》 中介绍了一些ELM与DL 的一些比较，这篇主要介绍ELM的原理。

首先，ELM的核心就是将复杂的迭代过程转变为隐层参数随机产生。

其次，ELM 是一个神经网络，有输入层、隐藏层，输出层。

最后，ELM 的多分类效果优于SVM，而且速度贼快。

对于训练样本集{xi,ti}  i=1-N, 共有N各样本，其中每个样本xi 是一个d维列向量，ti是输出标签。

ELM,的输出为：

其中，wj 为连接第j 各隐节点的输入权值；bj 为第j个隐节点的偏差； j 为第j各隐节点到ELM输出节点的权值；g（）为第j各隐节点的输出函数；

而， h（xi）=[g(w1,b1,xi),…..,g(wL,bL,xi)]为隐层关于xi的输出向量，h（xi）的作用是将xi由d维空间映射到L维特征空间。

优化：

其中，   是训练误差，消除过拟合，从而减少测试误差。

C为惩罚因子。

类似于SVM，用对偶问题求解：

公式相对于SVM来说，已经很少了。其中，随机化隐层参数a，b，无需迭代求解。

个人觉得，其模拟人脑系统确实更实际，如果人脑像迭代似的，最优化参数，那速度也贼慢。反而，我们用不同g() 隐层函数，如线性函数，sign函数，甚至cos，sin函数等等，这些学习到的特征更多，而且我们如果将这些函数深层网络格式，这样，是不是又能组合出不一样的函数呢？

所以，我觉得，随机化这些参数是有意义的，而且，效果不错，就能证明他有实用空间。

ps：CSDN 的公式编辑贼麻烦！