1 简介
卷积神经网络是一种较好的特征提取器，但却不是最佳的分类器，而极限学习机能够很好地进行分类，却不能学习复杂的特征，根据这两者的优点和缺点，将它们结合起来，提出一种新的数据分类方法。
考虑到卷积神经网络能够提取最优分类特征，而极限学习机训练速度快、训 练 精 度 高，本 文 提 出 将两者相结合的算法，并应用于数据分类。该方法的特点是：先利用训练样本训练卷积神经网络，训练好后，卷积网络的其他层参数保持不变，并将最后一层替换成极限 学 习 机，然后训练得到极限学习机的参数，相当于将卷积网络提取的特征作为极限学习机的输入，综合了卷积网络和极限学习机的优势。虽然卷积神经网络的权值共享结构减少了网络参数，但由于其复杂 的 多 层 结 构，仍有大量的参数需要训练。在训练样本数较少的情况下，识别效果往往不太好。本文在此基础上提出粒子群算法优化参数，从而提高识别精度。
2 部分代码
function [XV]=FnBringtoRangeLowUpIPSODL(XV,XV_lower, XV_upper)% dioperasikan untuk menandai yang nilainya kurang dari batas lowerXV_minus_XV_lower=XV-XV_lower;% dioperasikan untuk menandai yang nilainya lebih dari batas upperXV_minus_XV_upper=XV-XV_upper;% mendapatkan index yang nilainya kurang dari batas bawahidx_KurangDariLower=find(XV_minus_XV_lower<0);if(isempty(idx_KurangDariLower)) else XV(idx_KurangDariLower)=XV_lower(idx_KurangDariLower);end% mendapatkan index yang nilainya lebih dari batas atasidx_LebihDariUpper=find(XV_minus_XV_upper>0);if(isempty(idx_LebihDariUpper)) else XV(idx_LebihDariUpper)=XV_upper(idx_LebihDariUpper);end
3 仿真结果
4 参考文献
[1]周佳胤. 基于卷积神经网络与极限学习机的图像分类算法研究[D]. 广东工业大学.
