Extreme Learning Machines [1]–[4] (

Extreme Learning Machines [1]–[4] (ELM) as important emergent machine learning techniques, are proposed for both ‘‘generalized’’ Single-Layer Feed-forward Networks (SLFNs) [1], [3], [5]–[7] and multi layered feedforward networks [6]. Unlike traditional learning theories and learning algorithms, ELM theories show that hidden neurons need not be tuned in learning and their parameters can be independent of the training data, but nevertheless ELMs have universal approximation and clas- sification properties [5]–[7]. In most cases, the ELM hidden neurons can be randomly generated, which means that all the parameters of the hidden neurons (e.g., the input weights and biases of additive neurons, the centres and the impact factors of RBF nodes, frequencies and the shift of Fourier series, etc) can be randomly generated and therefore also independent of the training data. Some related efforts had been attempted before [8]–[10] with parts of SLFN generated randomly or taken from a subset of data samples [11], however, they either lack proof of the universal approximation capability for fully randomized hidden neurons, or can be considered as specific cases of ELM [12].
ELM, consisting of a wide type of feed forward neural networks, is the first method [6], [7], which can univer- sally approximate any continuous function with almost any nonlinear and piecewise continuous hidden neurons.

ผลลัพธ์ (ไทย) 1:

เครื่องจักรการเรียนรู้มาก [1] – [4] (ELM) เป็นเทคนิคการเรียนรู้ของเครื่องฉุกเฉินที่สำคัญ มีการนำเสนอสำหรับทั้ง ''ทั่วไป '' เครือข่ายฟีดไปชั้นเดียว (SLFNs) [1], [3], [5] – [7] และหลายชั้นเครือข่ายเสียง [6] ซึ่งแตกต่างจากแบบทฤษฎีการเรียนรู้ และการเรียนรู้อัลกอริทึม เอล์มทฤษฎีแสดงว่า เซลล์ประสาทซ่อนต้องไม่คืบหน้าในการเรียนรู้ และพารามิเตอร์ของพวกเขาสามารถเป็นอิสระของข้อมูลการฝึกอบรม แต่ก็ เอมส์ได้สากลประมาณและคณิตศาสตร์ sification คุณสมบัติ [5] – [7] ในกรณีส่วนใหญ่ เอล์มซ่อนเซลล์ประสาทสามารถสุ่มสร้าง ซึ่งหมายความ ว่า พารามิเตอร์ทั้งหมดของเซลล์ประสาทซ่อนอยู่ (เช่น ป้อนข้อมูลน้ำหนักและอคติของเซลล์ประสาทสารเติมแต่ง ศูนย์รวม และปัจจัยกระทบของ RBF โหน ความถี่ และการเปลี่ยนแปลงของอนุกรม ฯลฯ) สามารถสร้างขึ้นแบบสุ่ม และข้อมูลการฝึกอบรมจึงขึ้นยัง บางส่วนที่เกี่ยวข้องกับความพยายามก็ได้พยายามก่อน [8] – [10] กับส่วนของ SLFN สร้างขึ้นแบบสุ่ม หรือนำมาจากชุดย่อยของข้อมูลตัวอย่าง [11], อย่างไรก็ตาม จะขาดหลักฐานความสามารถสากลประมาณเต็มสุ่มซ่อนเซลล์ประสาท หรือถือได้ว่าเป็นกรณีเฉพาะของ ELM [12]ประกอบด้วยชนิดของอาหารไปข้างหน้าเครือข่ายประสาท กว้าง เอล์มเป็นวิธีการแรก [6], [7], แซลลี่ univer ซึ่งสามารถประมาณการทำงานที่ต่อเนื่องกับทุกเชิงเส้น และ piecewise ต่อเนื่องซ่อนเซลล์ประสาท

ผลลัพธ์ (ไทย) 2:

เครื่องการเรียนรู้ที่มากที่สุด [1] - [4] (ELM) เป็นเทคนิคการเรียนรู้เครื่องฉุกเฉินที่สำคัญมีการเสนอสำหรับทั้ง '' ทั่วไป '' ชั้นเดียวเครือข่ายฟีดไปข้างหน้า (SLFNs) [1] [3] [5] - [7] และเครือข่าย feedforward หลายชั้น [6] ซึ่งแตกต่างจากทฤษฎีการเรียนรู้และขั้นตอนวิธีการเรียนรู้แบบดั้งเดิมทฤษฎี ELM แสดงให้เห็นว่าเซลล์ประสาทที่ซ่อนอยู่ไม่จำเป็นต้องปรับในการเรียนรู้และพารามิเตอร์ของพวกเขาสามารถเป็นอิสระของข้อมูลการฝึกอบรม แต่ยังคงมีลำต้นประมาณสากลและคุณสมบัติ sification clas- [5] - [7] ในกรณีส่วนใหญ่ ELM ซ่อนเซลล์ประสาทสามารถสร้างแบบสุ่มซึ่งหมายความว่าทุกพารามิเตอร์ของเซลล์ประสาทที่ซ่อนอยู่ (เช่นน้ำหนักการป้อนข้อมูลและอคติของเซลล์ประสาทสารเติมศูนย์และปัจจัยที่ส่งผลกระทบต่อโหนด RBF ความถี่และการเปลี่ยนแปลงของ ชุดฟูริเยร์ ฯลฯ ) สามารถสร้างแบบสุ่มและดังนั้นจึงยังเป็นอิสระของข้อมูลการฝึกอบรม บางคนพยายามที่เกี่ยวข้องเคยมีความพยายามก่อน [8] - [10] กับชิ้นส่วนของ SLFN สร้างแบบสุ่มหรือนำมาจากส่วนหนึ่งของกลุ่มตัวอย่างข้อมูล [11] แต่พวกเขาทั้งหลักฐานการขาดความสามารถในการประมาณสากลสำหรับเซลล์ประสาทที่ซ่อนสุ่มเต็มหรือ ถือได้ว่าเป็นกรณีที่เฉพาะเจาะจงของ ELM [12]
ELM ประกอบด้วยประเภทกว้างของฟีดเครือข่ายประสาทไปข้างหน้าคือวิธีแรก [6] [7] ซึ่งสามารถ univer- Sally ใกล้เคียงกับฟังก์ชั่นอย่างต่อเนื่องใด ๆ กับเกือบทุกแบบไม่เชิงเส้นและค่เซลล์ประสาทที่ซ่อนอยู่อย่างต่อเนื่อง