当前位置：首页 > article >正文

【深度学习基础模型】极限学习机（Extreme Learning Machines, ELM）详细理解并附实现代码。

article 2024/10/9 19:37:07

【深度学习基础模型】极限学习机（Extreme Learning Machines, ELM）详细理解并附实现代码。

文章目录

【深度学习基础模型】极限学习机（Extreme Learning Machines, ELM）详细理解并附实现代码。
1. 算法提出
2. 概述
3. 发展
4. 应用
5. 优缺点
6. Python代码实现
7. 总结

参考地址：https://www.asimovinstitute.org/neural-network-zoo/
论文地址：https://www.sciencedirect.com/science/article/pii/S0925231206000385
Extreme learning machine: Theory and applications

欢迎宝子们点赞、关注、收藏！欢迎宝子们批评指正！

1. 算法提出

极限学习机（Extreme Learning Machine, ELM）由Guang-Bin Huang于2006年提出。ELM是一种针对单隐层前馈神经网络（SLFN）的快速学习算法。与传统的前馈神经网络（FFNN）不同，ELM不需要通过反向传播算法（Backpropagation）训练，而是通过随机生成的权重和偏置，并在单步计算中通过最小二乘法拟合输出层权重。

2. 概述

ELM的核心思想是使用随机初始化的输入层权重和隐藏层神经元的偏置，并通过最小二乘法直接计算出输出层的权重。由于不需要逐步调整权重（如反向传播中的梯度下降），ELM的训练速度非常快，特别适合处理大规模数据。

ELM网络结构如下：

输入层：与传统FFNN类似，将输入数据传递给网络。
隐藏层：随机初始化的权重和偏置，通常不进行调优。
输出层：通过最小二乘法计算得到最终权重，用于拟合目标值。

3. 发展

ELM自提出以来，因其计算效率高，逐渐引起了广泛关注。随着深度学习的崛起，ELM的研究方向也发生了变化，主要集中在以下几方面：

改进ELM结构：为了提高泛化能力，一些研究提出了正则化极限学习机（Regularized ELM）和在线极限学习机（Online ELM）。
应用扩展：ELM逐渐在分类、回归、时间序列预测等领域得到应用，并逐步结合到集成学习等现代机器学习方法中。

4. 应用

ELM因其快速训练的特性，在多种场景中具有优势，常见的应用包括：

图像识别：ELM可用于高维特征的快速分类。
回归分析：在数据拟合和预测问题中，ELM通过最小二乘法快速生成回归模型。
实时控制：由于训练速度快，ELM适用于需要实时响应的控制系统。

5. 优缺点

优点：

训练速度快：ELM不依赖梯度下降，而是通过一次性求解输出层权重，速度远超传统的前馈神经网络。
避免局部最优问题：ELM不通过迭代优化算法，因此避免了反向传播中常见的局部最优问题。

缺点：

随机性较高：ELM的输入层和隐藏层权重是随机生成的，这可能导致模型的表现不稳定。
表达能力有限：由于缺少反向传播和递归连接，ELM的表达能力不如深层神经网络。

6. Python代码实现

以下是一个简单的ELM分类实现示例：

import numpy as np
from sklearn.datasets import make_classification
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 定义极限学习机类
class ExtremeLearningMachine:
    def __init__(self, input_size, hidden_size, activation='sigmoid'):
        self.input_size = input_size
        self.hidden_size = hidden_size
        self.activation = self._get_activation_function(activation)
        # 随机初始化输入层权重和偏置
        self.input_weights = np.random.randn(self.input_size, self.hidden_size)
        self.biases = np.random.randn(self.hidden_size)
    
    def _get_activation_function(self, activation):
        if activation == 'sigmoid':
            return lambda x: 1 / (1 + np.exp(-x))
        elif activation == 'tanh':
            return np.tanh
        else:
            raise ValueError("Unsupported activation function.")
    
    def fit(self, X, y):
        # 隐藏层输入
        H = self.activation(np.dot(X, self.input_weights) + self.biases)
        # 输出层权重通过最小二乘法计算
        self.output_weights = np.dot(np.linalg.pinv(H), y)
    
    def predict(self, X):
        H = self.activation(np.dot(X, self.input_weights) + self.biases)
        return np.dot(H, self.output_weights)

# 生成模拟数据集
X, y = make_classification(n_samples=1000, n_features=20, n_classes=2, random_state=42)
y = y.reshape(-1, 1)  # 转换为列向量

# 数据预处理
scaler = StandardScaler()
X = scaler.fit_transform(X)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 初始化ELM
elm = ExtremeLearningMachine(input_size=X_train.shape[1], hidden_size=50, activation='sigmoid')

# 训练ELM
elm.fit(X_train, y_train)

# 预测并评估
y_pred = elm.predict(X_test)
y_pred = np.where(y_pred > 0.5, 1, 0)  # 二分类阈值为0.5

accuracy = accuracy_score(y_test, y_pred)
print(f"ELM分类准确率: {accuracy * 100:.2f}%")

代码解释：

ExtremeLearningMachine类：这是ELM的实现类，包含了输入层权重和隐藏层偏置的随机初始化。激活函数可以选择sigmoid或tanh。
fit方法：利用最小二乘法计算输出层权重。np.linalg.pinv用于计算伪逆矩阵，以求解输出层的最佳权重。
predict方法：根据输入数据和已训练的输出层权重，计算预测值。
数据集生成：使用make_classification生成一个简单的二分类数据集，并使用StandardScaler进行标准化。
训练和评估：在训练集上训练ELM模型，并在测试集上进行预测，通过accuracy_score评估模型准确率。