현재 위치
Home
입자 군집 최적화 기법을 이용한 Kernel Extreme Learning Machine 설계
Design of Kernel Extreme Learning Machine by Using Particle Swarm Optimization Technique
-
- 발행기관
- 국제차세대융합기술학회 바로가기
-
- 간행물
- 차세대융합기술학회논문지 바로가기
-
- 통권
- 제1권 4호 (2017.12)바로가기
-
- 페이지
- pp.165-170
-
- 저자
-
- 언어
- 한국어(KOR)
-
- URL
- https://www.earticle.net/Article/A341414
※ 기관로그인 시 무료 이용이 가능합니다.
4,000원
원문정보
초록
- 영어
- In this paper, we proposed the design method of Extreme Learning Machine which is optimized by using Particle Swarm Optimization Technique. Extreme Learning Machine is the improved version of the conventional neural networks which have a very slow learning speed based on the back-propagation algorithm. In the conventional neural networks, the connection weights between the input layer and the hidden layers are initialized randomly and then optimized by using the gradient decent method. The speed of the learning method for the conventional neural networks is slow. In order to overcome the drawback of the conventional neural networks, the connection weights of the hidden nodes are just initialized randomly and will not be optimized, and the only connection weights of the output nodes are learned by using least square estimation not the iterative learning method. In addition, we use Particle Swarm Optimization to optimize the proposed Extreme Learning Machine. Several machine learning bench-mark data sets are used to show the generalization performance of the proposed design method and to compare their performance with the other already studied models.
- 한국어
- 본 논문에서는 커널 Extreme Learning Machine을 기반으로 하여 최적화 기법들 중의 하나인 입자 군집 최적화 기법을 이용한 설계 기법을 제시한다. 제안된 Kernel Extreme Learning Machine은 기존에 사용되어지는 뉴럴 네트워크의 단점을 개선한 네트워크이다. 다시 말하면, 뉴럴 네트워크의 단점인 느린 학습속도를 개선한 네 트워크이다. 일반적으로 뉴럴 네트워크의 히든 노드들은 랜덤 초기화 후 오류 역전파 알고리즘을 이용하여 학습 한다. 이와 같은 오류 역전파 알고리즘은 매우 느린 학습속도를 보인다. 이와 같은 단점을 해결하기 위하여, Kernel Extreme Learning Machine의 히든 노드들은 랜덤 초기화 되고 학습되지 않고 출력층의 연결 하중만 학습 되어진다. 이와 같은 장점을 가진 Kernel Extreme Learning Machine의 구조를 최적화하기 위하여 입자 군집 최적 화 기법을 사용한다. 제안된 설계 방법을 적용하여 설계된 모델의 일반화 성능의 우수성을 보이기 위하여, 다수 의 머신러닝 데이터들을 이용하여 실험하고 실험을 통해 얻은 결과를 비교 평가하였다.
목차
요약
Abstract
Ⅰ. 서론
Ⅱ. 본론
2.1 Kernel Extreme Learning Machine
2.2 Kernel Extreme Learning Machine 기반패턴 분류기 설계
2.3 입자 군집형 최적화 알고리즘 (Particle Swarm Optimization; PSO)
2.4 시뮬레이션 및 결과 고찰
Ⅲ. 결론
REFERENCES
키워드
Neural Networks Extreme Learning Machine Particle Swarm Optimization Iterative Learning Method Learning speed저자
간행물 정보
발행기관
-
- 발행기관명
- 국제차세대융합기술학회 [International Next-generation Convergence technology Association]
- 설립연도
- 2017
- 분야
- 복합학>기술정책
- 소개
- Ever since next generation convergence technology became one of the most important industries in the nation, computing professionals have encountered a growing number of challenges. Along with scholars and colleagues in related fields, they have gathered in avariety of forums and meetings over the last few decades to share their knowledge, experiences and the outcome of their research. These exchanges have led to the founding of the International Next-generation Convergence technology (INCA) on December 1, 2015. INCA was registered as an incorporated association under the Ministry of Information and Communications. The main purpose of the organization is to improve our society by achieving the highest capability possible in next generation convergence technology.
간행물
-
- 간행물명
- 차세대융합기술학회논문지 [The Journal of Next-generation Convergence Technology Association]
- 간기
- 월간
- pISSN
- 2508-8270
- 수록기간
- 2017~2026
- 등재여부
- KCI 등재
- 십진분류
- KDC 506 DDC 606
이 권호 내 다른 논문 / 차세대융합기술학회논문지 제1권 4호
피인용수 : 0건 (자료제공 : 네이버학술정보)
함께 이용한 논문 이 논문을 다운로드한 분들이 이용한 다른 논문입니다.
출처 : 네이버학술정보
0개의 논문이 장바구니에 담겼습니다.