文献类型：期刊文章

作　　者：蔡磊[1] 程国建[1] 潘华贤[1]

机构地区：[1]西安石油大学计算机学院,陕西西安710065

出　　处：《计算机工程与设计》

基　　金：国家自然科学基金项目(40872087)

年　　份：2010

卷　　号：31

期　　号：9

起止页码：2010-2012

语　　种：中文

收录情况：AJ、BDHX、BDHX2008、CSA、CSA-PROQEUST、CSCD、CSCD_E2011_2012、IC、INSPEC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：基于传统支持向量机(SVM)训练速度慢、参数选择难等问题,提出了基于极限学习机(ELM)的岩性识别。该算法是一种新的单隐层前馈神经网络(SLFNs)学习算法,不但可以简化参数选择过程,而且可以提高网络的训练速度。在确定了最优参数的基础上,建立了ELM的岩性分类模型,并且将ELM的分类结果与SVM进行对比。实验结果表明,ELM以较少的神经元个数获得与SVM相当的分类正确率,并且ELM参数选择比SVM简便,有效降低了训练速度,表明了ELM应用于岩性识别的可行性和算法的有效性。

关 键 词：机器学习  极限学习机 前馈神经网络 岩性识别 支持向量机

分 类 号：TP18]