CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

Improving Extreme Learning Machine Classification Using Adaptive Differential Evolution

اعتبار موردنیاز : ۱ | تعداد صفحات: ۱۱ | تعداد نمایش خلاصه: ۱۲۷ | نظرات: ۰
سال انتشار: ۱۳۹۵
کد COI مقاله: ITCC03_223
زبان مقاله: انگلیسی
حجم فایل: ۳۳۴.۶۲ کیلوبایت (فایل این مقاله در ۱۱ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۱۱ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله Improving Extreme Learning Machine Classification Using Adaptive Differential Evolution

  Maral Arvanaghi Jadid - Faculty Of Computer and Information Technology Engineering, Qazvin branch, Islamic Azad University, Qazvin, Iran
    Karim Faez - Department of Electrical Engineering, Amirkabir University of Technology, Tehran, Iran

چکیده مقاله:

Extreme Learning Machine (ELM) is the recently proposed learning approach which is based on Single-hidden Layer Feed-forward Network (SLFN). The main advantage of ELM is extremely fast learning speed and generalization ability but it suffers from randomly initialization of input weights and biases. To overcome this drawback, this paper proposes Adaptive Differential Evolution (ADE) method to find the best parameter setting of ELM. The proposed ADE utilizes the adaptation of mutation and crossover factors through the optimization process. The proposed ADE-ELM model is able to adaptively control the exploitation and exploration rates of DE over the search process, jump over the local optimal solution and obtain the global best solution (parameter setting of ELM) in the reduced running time. The results of the proposed method on several UCI datasets demonstrates the advantages of the proposed method.

کلیدواژه‌ها:

ELM, Classification, ADE, adaptive mutation, adaptive crossover

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-ITCC03-ITCC03_223.html
کد COI مقاله: ITCC03_223

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Arvanaghi Jadid, Maral & Karim Faez, ۱۳۹۵, Improving Extreme Learning Machine Classification Using Adaptive Differential Evolution, سومین کنگره بین المللی کامپیوتر، برق و مخابرات, تربت حیدریه, دانشگاه تربیت حیدریه, https://www.civilica.com/Paper-ITCC03-ITCC03_223.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (Arvanaghi Jadid, Maral & Karim Faez, ۱۳۹۵)
برای بار دوم به بعد: (Arvanaghi Jadid & Faez, ۱۳۹۵)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :

  • G.B. Huang, Q.Y Zhu and e.K. Siew, "Extreme learning machine: ...
  • Y Bazi, N. Alajlan, F Melgani, H. AIHichri, S. Malek ...
  • N. Sridevi and P Subashini, "Combining Zermike Moments with Regional ...
  • YP. Qu, Q. Shen and N.M. Parthahin, W. Wu, 2010. ...
  • Soybean 96.28=0.27 92.47=1.19 93.23=0.23 79.50L1.02 94.01.15 85.89=0.95 94.39=0.74 97.62=0.53 SPECTF ...
  • Training samples: Feature:8, Classes:10 138.607 0.0021 121.447 ).2237 94.0530 .1716 ...
  • D.D. Wang, R. Wang and H.Yan, 2014. "Fast prediction of ...
  • Q.Y Zhu, A.K. Qin, P.N. Suganthan and G.B. Huang, 2005. ...
  • 1.W. Cao, Z.P. Lin and G.B Huang, 2012. "Self-Adaptive Evolutionary ...
  • K. Li, R. Wang, S. Kwong and 1. Cao, 2013. ...
  • 1.W. Cao, Z.P. Lin, G.B. Huang and N. Liu, 2012. ...
  • N. Liu and H. Wang, 2010. "Ensemble based extreme learning ...
  • R. Storn and K. Price, "Differential evolution - A simple ...
  • J.Q. Zhang and A.e. Sanderson, 2009. "JADE: Adaptive Differential Evolution ...
  • Y. Zhang, Z. Cai, J. Wu, X. Wang, and X. ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه آزاد
    تعداد مقالات: ۸۷۴۴
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مدیریت اطلاعات پژوهشی

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.