Extreme learning machine (ELM) is a

Extreme learning machine (ELM) is a framework to estimate the parameters of single-layer feedforward neural networks (SLFNNs), where the hidden layer parameters do
not need to be tuned but they are randomly assigned [18]. ELMs have demonstrated good scalability and generalization performance with a faster learning speed when compared with other models such as SVMs and backpropagation neural networks [19]. The natural adaptation of the ELM
framework to OR problems has not been yet deeply investigated. The ELM for OR (ELMOR) algorithm [20] is the first example of research in this direction. Deng et al. [20] proposed an encoding-based framework for OR, which includes three encoding schemes: single multioutput classifier,
multiple binary-classifications with one-against-all decomposition method and one-against-one method. Then, the parameters of the SLFNN are determined according to the proposed
encoding and the traditional ELM (the input weights are assigned randomly and output weights are estimated solving the Moore–Penrose pseudoinverse matrix).

Kết quả (Việt) 1:

Cực học tập máy (ELM) là một khuôn khổ để ước tính các thông số của các đĩa đơn lớp feedforward thần kinh mạng (SLFNNs), nơi các thông số ẩn lớp làmkhông cần phải được điều chỉnh nhưng chúng ngẫu nhiên được phân công [18]. ELMs đã chứng minh hiệu suất tốt của khả năng mở rộng và tổng quát với một tốc độ học tập nhanh hơn khi so sánh với các mô hình khác chẳng hạn như SVMs và backpropagation mạng nơ-ron [19]. Thích ứng tự nhiên của ELMkhuôn khổ để OR vấn đề đã không được được sâu nghiên cứu. ELM cho thuật toán hoặc (ELMOR) [20] là ví dụ đầu tiên của nghiên cứu theo hướng này. Đặng et al. [20] đề xuất một khuôn khổ dựa trên mã hóa cho, hoặc bao gồm ba chương trình mã hóa: duy nhất multioutput loại,nhiều nhị phân phân loại với phương pháp phân hủy một chống lại tất cả và chống lại một phương pháp. Sau đó, các tham số của SLFNN được xác định theo các đề xuấtmã hóa và truyền thống ELM (trọng lượng đầu vào được chỉ định ngẫu nhiên và sản lượng trọng lượng được ước tính giải quyết ma trận pseudoinverse Moore-Penrose).

Kết quả (Việt) 2:

Học máy Extreme (ELM) là một khuôn khổ để ước lượng các tham số của đơn lớp feedforward mạng thần kinh (SLFNNs), nơi mà các thông số lớp ẩn nào
không cần phải được điều chỉnh nhưng chúng được phân ngẫu nhiên [18]. Tia lửa đã chứng minh khả năng mở rộng tốt và hiệu suất tổng quát với một tốc độ nhanh hơn khi học tập so với các mô hình khác như SVMs và lan truyền ngược các mạng thần kinh [19]. Sự thích ứng tự nhiên của ELM
khuôn khổ để HOẶC vấn đề chưa được điều tra chưa sâu sắc. ELM cho OR (ELMOR) thuật toán [20] là ví dụ đầu tiên của nghiên cứu theo hướng này. Deng et al. [20] đề xuất một khuôn khổ mã hóa dựa trên cho OR, trong đó bao gồm ba cơ chế mã hóa: phân loại multioutput duy nhất,
nhiều nhị phân với một-đối-tất cả các phương pháp phân hủy và phương pháp chống lại một-một. Sau đó, các thông số của SLFNN được xác định theo các đề xuất
mã hóa và truyền thống ELM (trọng lượng đầu vào được phân ngẫu nhiên và trọng lượng đầu ra được ước tính việc giải quyết các pseudoinverse ma trận Moore-Penrose).