Skip to main content
main-content

Tipp

Weitere Artikel dieser Ausgabe durch Wischen aufrufen

06.03.2018 | Focus | Ausgabe 11/2018

Soft Computing 11/2018

Adaptive multiple graph regularized semi-supervised extreme learning machine

Zeitschrift:
Soft Computing > Ausgabe 11/2018
Autoren:
Yugen Yi, Shaojie Qiao, Wei Zhou, Caixia Zheng, Qinghua Liu, Jianzhong Wang
Wichtige Hinweise
Communicated by X. Wang, A.K. Sangaiah, M. Pelillo.

Abstract

Semi-supervised extreme learning machine (SSELM) was proposed as an effective algorithm for machine learning and pattern recognition. However, the performance of SSELM heavily depends on whether the underlying geometrical structure of the data can be well exploited. Though many techniques have been utilized for constructing graph to represent the data structure, which of them can best reflect the intrinsic distribution of complicated input data is still needed to be verified. Aiming to solve this problem, we propose a novel algorithm called adaptive multiple graph regularized semi-supervised extreme learning machine (AMGR-SSELM). The contributions of the proposed algorithm are as follows: (1) AMGR-SSELM employs multiple graph structures extracted from training samples to characterize the structure of input data. Since these graphs are constructed based on different principles and complementary with each other, the underlying data distribution can be well exploited through combining them. (2) A nonnegative weight vector is introduced into AMGR-SSELM to adaptively combine the multiple graphs for representing different data. (3) An explicit classifier can be learnt in our algorithm, which overcomes the ‘out of sample’ problem. (4) A simple and efficient iterative update approach is also proposed to optimize AMGR-SSELM. In addition, we compare the proposed approach with other classification methods and some extreme learning machine variants on five benchmark image databases (Yale, Extended YaleB, CMU PIE, AR and FKP). The results of extensive experiments show the advantages and effectiveness of the proposed approach.

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Sie möchten Zugang zu diesem Inhalt erhalten? Dann informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 69.000 Bücher
  • über 500 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 58.000 Bücher
  • über 300 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 50.000 Bücher
  • über 380 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Maschinenbau + Werkstoffe




Testen Sie jetzt 30 Tage kostenlos.

Literatur
Über diesen Artikel

Weitere Artikel der Ausgabe 11/2018

Soft Computing 11/2018 Zur Ausgabe

Premium Partner

    Bildnachweise