极限学习机原理（含公式推导透彻）

作者：盐析白兔 | 2024-06-06 03:48:36

踩

极限学习机原理

写在前面：本文主要介绍elm极限学习机的原理及公式推导

一.传统的前馈神经网络结构

1.前馈神经网络结构

传统的单隐层前馈神经网络，输入层n个神经元、隐含层L个、输出层m个神经元，如图1。
对于该种神经网络，有3个重要参数决定了该网络输入到输出的计算过程。你可以理解为一个函数，其中关键的参数就是这三个。分别是输入层权值、隐含层权值、隐含层偏置。

输入层与隐含层连接权值W，比如Wji表示输入层第i个，与隐含层第j个神经元的连接权值。
在这里插入图片描述
隐含层权值矩阵：隐含层与输出层之间的连接权值β，其中βjk表示隐含层第j个神经元与输出层第k个神经元之间的连接权值。

在这里插入图片描述
隐含层神经偏置矩阵b：为一维矩阵，代表对输出的调整。（个人理解）

2.模型如何预测结果

以分类任务为例。
设有Q个样本的训练

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/盐析白兔/article/detail/679371