BẢNG VI
CRO SS -VALI Dati ON, TRA TẠI IN G, T VÀ ES TT IM E RES ULTS FORE AC H DỮ LIỆU VÀ PHƯƠNG PHÁP SET, includi NG CÁC TRUNG BÌNH TRÊN TẤT CẢ, THE nhiều loại kh THUÊ SPL IT S, VÀ TIÊU CHUẨN DEVI ATI ON (MeanSD) bộ Bất OR dữ liệu và rời rạc hóa các tập dữ liệu hồi quy được coi là bộ test benchmark, bốn thuật toán từ các nhà nước-of-the-nghệ thuật HOẶC mô hình này đã được sử dụng để so sánh (NNOP, ELMOP, POM, và NNPOM) và mô hình quả thực hiện mance đã được đánh giá bằng cách sử dụng các biện pháp MZE và MAE. Cuối cùng, các mô hình đã được so sánh còn về hiệu quả tính toán và kiểm tra thống kê không tham số đã được thực hiện để xác nhận kết quả. Từ kết quả của các xét nghiệm này, có thể kết luận rằng ORNN (ELM) phương pháp có được một thứ hạng cao hơn đáng kể khi so sánh với các phương pháp ELMOP, POM, và NNPOM. Hơn nữa, từ một điểm tính toán xem, phương pháp đề xuất đòi hỏi một thời gian tính toán thấp hơn đáng kể so với NNOP và NNPOM, đó là phương pháp lặp đi lặp lại, trong khi một hiệu quả tương đương đối với các ELMOP và các thuật toán POM với. Điều này là do việc ước tính các hyperparameter chỉ đại diện cho số lượng tế bào thần kinh ẩn. Những đóng góp chính của bài viết này đã được giải quyết để xây dựng đơn giản của nó, hiệu quả của nó, và hiệu quả đã được chứng minh bằng những kết quả đạt được cạnh tranh với các nhà nước-of- sự -Art mạng nơron phương pháp OR. Cuối cùng, như các tác phẩm trong tương lai, nó sẽ được coi là sử dụng loại 2 trọng số mờ (do tính chất thứ tự của nó) cho các trọng kết nối các ẩn và các lớp đầu ra [58], [59]. Bảng VI báo cáo thời gian chạy trung bình ( cũng xem xét qua xác nhận và thời gian thử nghiệm) của thuật toán xem xét việc thập. Tất cả các thí nghiệm đã được chạy bằng cách sử dụng một khuôn khổ MATLAB phổ biến được đề xuất trong [45]. Các thuật toán đề xuất được phát triển và đưa vào khuôn khổ nêu trên. Nói chung, các thuật toán hiệu quả nhất là những người dựa trên ELM. Cả hai đều được đào tạo mà không cần điều chỉnh lặp đi lặp lại. Mặc dù vậy, thời gian tính toán thấp nhất đã đạt được bằng các thuật toán POM. Lý do của, đó là, rằng các thuật toán POM không có bất kỳ hyperparameter được tối ưu hóa bởi qua xác nhận không giống như ELMOP và ORNN (ELM) (cả hai đều có số lượng các chức năng cơ bản, S, như hyperparameter). V. CONCL USION giấy này mở rộng các lớp học của thuật toán ELM cho OR. Khác nhau từ các mô hình đã tồn tại, trong các thuật toán đề xuất, các kết quả đầu ra của mỗi tế bào thần kinh không được đối xử một cách độc lập với nhau. Thay vào đó họ đồng thời xác định trong một cách mà các lớp ra của mạng lưới thần kinh dẫn đến trưng bày một phân phối tích lũy của đầu ra. Điều này là thu được những hạn chế đơn điệu hùng vĩ về các trọng kết nối các lớp ẩn với lớp ra, sao chép chúng bằng cách sử dụng một tập hợp các biến padding và giải quyết các vấn đề ICLS có nguồn gốc trong một hình thức gần. Sau khi giới thiệu các mô hình hiện tại cho OR, đề xuất phương pháp, cụ thể là ORNN (ELM), đã được mô tả tập trung đặc biệt vào các chương trình mã hóa được sử dụng, các mô hình mạng thần kinh thông qua, và các dẫn xuất của mô hình phân tích mét para-. Như trong các thuật toán ELM truyền thống, các trọng số kết nối giữa các lớp đầu vào và các hàm cơ sở được tạo ra một cách ngẫu nhiên. Chú ý đặc biệt đã được trao cho các phần thử nghiệm của giấy này để thúc đẩy tính hợp lệ của các mô hình đề xuất. THAM KHẢO S [1] AK Jain , RP Duin, và J. Mao, "nhận dạng mẫu thống kê: Một xem xét", IEEE Trans. Pattern Anal. Mach. Intell., Vol. 22, không có. 1, pp 4-37, tháng một năm 2000.. [2] RO Duda, PE Hart, và DG Stork, Phân loại Pattern, 2nd ed. New York, NY, USA: Wiley, 2000. [3] IH Witten và E. Frank, khai thác dữ liệu: thực hành máy công cụ học tập và kỹ thuật (hệ thống quản lý dữ liệu), 2nd ed. San Mateo, CA, USA: Morgan Kaufmann, 2005. [4] V. Cherkassky và FM Mulier, Học từ dữ liệu: Các khái niệm, lý thuyết, và phương pháp. New York, NY, USA: Wiley, 2007. [5] C.-K. Chen, "Việc phân loại giai đoạn ung thư microarray dữ liệu," put đồng. Phương Pháp Chương Biomed., Vol. 108, không có. 3, pp 1070-1077, 2012.. [6] J. Cardoso, JF Pinto da Costa, và M. Cardoso, "Mô hình hóa các mối quan hệ thứ tự với SVMs: Một ứng dụng để ước lượng mục tiêu thẩm mỹ tion của ung thư vú điều trị bảo thủ," thần kinh netw., vol. 18, nos. 5-6, pp. 808-817, 2005. [7] B. Xu, T.-J. Zhao, J.-W. Wu, và C.-H. Zhu, "Tự động xếp hạng đánh giá dựa trên các mô hình hồi quy tự", trong Proc. 3 Int. Conf. Artif. Intell. Comput. Int., Tháng 9 năm 2011, pp. 126-134. [8] MJ Mathieson, "mô hình TT cho các mạng thần kinh", trong Proc. 3 Int. Conf. Neural Netw. Capital Markets, 1996, pp. 523-536. [9] F. Fernández-Navarro, P. Campoy, M. De la Paz, C.
đang được dịch, vui lòng đợi..