含类信息的极限学习机自动编码器特征学习方法

作者：程蓉; 白艳萍; 胡红萍; 谭秀辉; 续婷

来源：电子测量技术, 2022, 45(16): 71-79.

DOI：10.19651/j.cnki.emt.2210187

• 极限学习机
• 自动编码器
• 特征学习
• 数据分类

极限学习机自动编码器(ELM-AE)将极限学习机(ELM)技术与自动编码器(AE)结合，可以无监督学习数据特征且克服了参数迭代调整的昂贵时间消耗。然而，以最小化重构误差为目标的ELM-AE并不能有效利用分类问题中的数据类别信息，导致特征的类别可分性较差。针对此现象，本文提出一种面向数据分类的含类信息极限学习机自编码(CELM-AE)特征学习方法，该方法将投影特征向量的类间离散度与类内相似度限制到ELM-AE的目标函数中，且可通过解析算法求得更具类别分辨力的最优数据表示。对6种UCI数据集分别使用基于CELM-AE、ELM-AE和AE的特征表示进行分类实验，结果表明，CELM-AE得到的数据特征在两种分类器(ELM/KNN)下的分类精度与稳定性表现均优于ELM-AE与AE,且时间代价很小，说明了CELM-AE在提取可分性数据特征表示方面的优势。

• 单位
  中北大学