Skip to main content
Erweiterte Suche
Anmelden
nach oben
Journal of Classification
Erschienen in:

10.12.2019

An Optimal Weight Semi-Supervised Learning Machine for Neural Networks with Time Delay

verfasst von: Chengbo Lu, Ying Mei

Erschienen in: Journal of Classification | Ausgabe 3/2020

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In this paper, an optimal weight semi-supervised learning machine for a single-hidden layer feedforward network (SLFN) with time delay is developed. Both input weights and output weights of the SLFN are globally optimized with manifold regularization. By feature mapping, input vectors can be placed at the prescribed positions in the feature space in the sense that the separability of all nonlinearly separable patterns can be maximized, unlabeled data can be leveraged to improve the classification accuracy when labeled data are scarce, and a high degree of recognition accuracy can be achieved with a small number of hidden nodes in the SLFN. Some simulation examples are presented to show the excellent performance of the proposed algorithm.
Vorheriger Artikel Are We Underestimating Food Insecurity? Partial Identification with a Bayesian 4-Parameter IRT Model
Nächster Artikel Proximity Curves for Potential-Based Clustering

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

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

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

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

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

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




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

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




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Literatur
M. Belkin, I. Matveeva, P. Niyogi, Regularization and semi-supervised learning on large graphs, in: Proceedings of 17th conference on learning theory (COLT), 2004.
Bishop, C. M. (1995). Neural networks for pattern recognition. New York: Oxford. University Press Inc.MATH
Chen, Y., Xue, A. K., Lu, R. Q., & Zhou, S. S. (2008). On robustly exponential stability of uncertain neutral systems with time-varying delays and nonlinear perturbations. Nonlinear Analysis, 68, 2464–2470.MathSciNetCrossRef
Chen, Y., Lu, R. Q., Zou, H. B., & Xue, A. K. (2014). Stability analysis for stochastic jump systems with time-varying delay. Nonlinear Analysis: Hybrid Systems, 14, 114–125.MathSciNetMATH
L. Devroye, L. Gyorfi, And G. Lugosi, A probabilistic theory of pattern recognition. New York: Springer-Verlag, 1996.CrossRef
Duda, R., & Hart, P. (1973). Pattern classification and scene analysis. New York: Wiley.MATH
Huang, G. B., Zhu, Q. Y., & Siew, C. K. (Dec. 2006). Extreme learning machine: theory and applications. Neurocomputing, 70(1–3), 489–501.CrossRef
Huang, G., Song, S., Gupta, J. N. D., & Wu, C. (2014). Semi-supervised and unsupervised extreme learning machines. IEEE Transactions on Cybernetics, 44(12), 2405–2417.CrossRef
Liu, J., Chen, Y., Liu, M., & Zhao, Z. (2011). SELM: semi-supervised ELM with application in sparse calibrated location estimation. Neurocomputing, 74(16), 2566–2572.CrossRef
Man, Z., Lee, K., Wang, D. H., Cao, Z., & Miao, C. (2011). A new robust training algorithm for a class of single hidden layer neural networks. Neurocomputing, 74, 2491–2501.CrossRef
Man, Z., Lee, K., Wang, D., Cao, Z., & Khoo, S. (2013). An optimal weight learning machine for handwritten digit image recognition. Signal Processing, 93(6), 1624–1638.CrossRef
Vapnik, V. (1998). Statistical learning theory. New York: Wiley.MATH
Waibel, A., Hanazawa, T., Hinton, G., Shikano, K., & Lang, K. J. (1989). Phoneme recognition using time-delay neural networks. IEEE Transactions on Acoustics, Speech, and Signal Processing, 37(3), 328–339.CrossRef
Z. G. Wu, H. Su, J Chu, W. N. Zhou. Improved delay-dependent stability condition of discrete recurrent neural networks with time-varying delays, IEEE Transactions on Neural Networks, 21(4): 692–697, 2010.
Wu, Z. G., Lam, J., Su, H. Y., & Chu, J. (2012). Stability and dissipativity analysis of static neural networks with time delay. IEEE Transactions on Neural Networks and Learning Systems, 23(2), 199–210.CrossRef
Metadaten
Titel
An Optimal Weight Semi-Supervised Learning Machine for Neural Networks with Time Delay
verfasst von
Chengbo Lu
Ying Mei
Publikationsdatum
10.12.2019
Verlag
Springer US
Erschienen in
Journal of Classification / Ausgabe 3/2020
Print ISSN: 0176-4268
Elektronische ISSN: 1432-1343
DOI
https://doi.org/10.1007/s00357-019-09352-2

Weitere Artikel der Ausgabe 3/2020

Lorenz Model Selection

ROC and AUC with a Binary Predictor: a Potentially Misleading Metric

  • Software Abstract

Are We Underestimating Food Insecurity? Partial Identification with a Bayesian 4-Parameter IRT Model

Proximity Curves for Potential-Based Clustering

  • Open Access

Editorial: Journal of Classification Vol. 37-3

Effects of Resampling in Determining the Number of Clusters in a Data Set

Premium Partner

    Bildnachweise