Recently, a new learning algorithm

Recently, a new learning algorithm for single-hidden-layer feedforward neural network (SLFN) named the extreme learning machine (ELM ) has been proposed by Huang et al. [6,7]. Unlike traditional approaches (such as BP algorithms) which may face difficulties in manually tuning control parameters (learning rate, learning epochs, etc) and/or local minima, ELM avoids such issues and reaches good solutions analytically. The learning speed of ELM is extremely fast compared to other traditional methods. In this paper, we first extend the ELM algorithm from the real domain to the complex domain where the fully complex activation functions introduced by Kim and Adali [10] are used. Similar to ELM , the input weights (linking the input layer to the hidden layer) and hidden layer biases of C-ELM are randomly chosen based on some continuous distribution probablity (such as uniform distribution probability used in our simulations) and the output weights (linking the hidden layer to the output layer) are then analytically calculated. The CELM is used for equalization of a complex nonlinear channel with QAM signals. The simulation results show that the C-ELM equalizer is superior to CRBF [1], CMRAN [8] and CBP [9] equalizers in terms of symbol error rate (SER) and learning speed. C-ELM also avoids local minima and all the difficulties in other schemes such as tuning control parameters (learning rate, learning epochs, etc.). This paper is organized as follows. Section 2 presents the C-ELM algorithm. Section 3 shows the performance comparison of C-ELM with the CRBF, CMRAN and CBP equalizers for a QAM channel equalization problem. Discussions and conclusions are given in Section 4.

Kết quả (Việt) 1:

Gần đây, một mới học thuật toán cho mạng nơ-ron đơn-ẩn-lớp feedforward (SLFN) được đặt tên máy cực học tập (ELM) đã được đề xuất bởi Hoàng et al. [6,7]. Không giống như truyền thống phương pháp tiếp cận (chẳng hạn như các thuật toán BP) mà có thể đối mặt với những khó khăn trong tự điều chỉnh các tham số điều khiển (tỷ lệ học tập, học tập kỷ nguyên, vv) và/hoặc địa phương cực tiểu, ELM tránh các vấn đề và đạt tốt giải pháp phân tích. Tốc độ học tập của ELM là cực kỳ nhanh chóng so với các phương pháp truyền thống. Trong bài báo này, chúng tôi lần đầu tiên mở rộng các thuật toán ELM từ miền tới vùng phức tạp mà các chức năng kích hoạt đầy đủ phức tạp giới thiệu bởi Kim và Adali [10] được sử dụng. Tương tự như ELM, trọng lượng đầu vào (liên kết các lớp đầu vào để các lớp ẩn) và ẩn lớp biases của C-ELM ngẫu nhiên được lựa chọn dựa trên một số probablity liên tục phân phối (ví dụ như thống nhất phân phối xác suất được sử dụng trong mô phỏng của chúng tôi) và trọng lượng đầu ra (liên kết ẩn lớp lớp đầu ra) sau đó phân tích tính toán. CELM được sử dụng cho sự ngang nhau của một kênh phi tuyến phức tạp với QAM tín hiệu. Kết quả mô phỏng cho thấy rằng bộ chỉnh âm C-ELM là vượt trội so với CRBF [1], CMRAN [8] và equalizers CBP [9] trong điều khoản của tỷ lệ lỗi biểu tượng (SER) và tốc độ học tập. C-ELM cũng tránh địa phương cực tiểu và tất cả những khó khăn trong chương trình khác chẳng hạn như điều chỉnh các tham số điều khiển (học tỷ lệ, kỷ nguyên học tập, vv.). Giấy này được tổ chức như sau. Phần 2 trình bày các thuật toán C-ELM. Phần 3 cho thấy so sánh hiệu suất của C-ELM với CRBF, CMRAN và CBP equalizers cho một vấn đề cân bằng QAM kênh. Cuộc thảo luận và kết luận được đưa ra trong mục 4.

Kết quả (Việt) 2:

Gần đây, một thuật toán mới học tập cho lớp đơn ẩn mạng truyền thẳng (SLFN) có tên là máy học tập cực (ELM) đã được đề xuất bởi Huang et al. [6,7]. Không giống như các phương pháp truyền thống (chẳng hạn như các thuật toán BP) có thể phải đối mặt với những khó khăn trong thủ điều chỉnh các thông số kiểm soát (tỷ lệ học tập, kỷ nguyên học tập, vv) và / hoặc cực tiểu địa phương, ELM tránh các vấn đề và đạt đến giải pháp tốt giải tích. Tốc độ học tập của ELM là cực kỳ nhanh so với các phương pháp truyền thống khác. Trong bài báo này, trước tiên chúng ta mở rộng thuật toán ELM từ miền thực sự cho miền phức tạp mà các chức năng kích hoạt đầy đủ phức tạp được giới thiệu bởi Kim và Adali [10] được sử dụng. Tương tự như ELM, trọng lượng đầu vào (kết nối các lớp đầu vào cho lớp ẩn) và những thành kiến ​​layer ẩn của C-ELM được ngẫu nhiên chọn dựa trên một số probablity phân bố liên tục (chẳng hạn như xác suất thống nhất phân phối được sử dụng trong mô phỏng của chúng tôi) và trọng lượng đầu ra ( liên kết các lớp ẩn với lớp ra) sau đó được phân tích tính toán. Các CELM được sử dụng để cân bằng của một kênh phi tuyến phức tạp với các tín hiệu QAM. Các kết quả mô phỏng cho thấy equalizer C-ELM là cấp trên để CRBF [1], CMRAN [8] và CBP [9] bộ cân bằng về tỷ lệ lỗi ký hiệu (SER) và tốc độ học tập. C-ELM cũng tránh cực tiểu địa phương và tất cả những khó khăn trong các chương trình khác như kiểm soát các thông số điều chỉnh (tỷ lệ học tập, kỷ nguyên học tập, vv). Bài viết này được tổ chức như sau. Phần 2 trình bày các thuật toán C-ELM. Phần 3 cho thấy sự so sánh hiệu năng của C-ELM với bộ cân bằng CRBF, CMRAN và CBP cho một vấn đề QAM cân bằng kênh. Thảo luận và kết luận được đưa ra trong phần 4.