The extreme learning machine (ELM)

The extreme learning machine (ELM) is an emerging machine learning technique [1]. ELM is based on the neural network concept and includes both single and multi-hidden-layer neural networks and kernel learning but it is not limited to only them. In ELM, there are several parameters that create the model. Some of them are Hidden nodes, and biases. These
are randomly initialized and fixed after processing without tuning them iteratively. The hidden nodes in emerging ELM
are not mandatory to be neuron alike. The only free parameters that are required to be learned are the connections or weights amid the hidden layer and the output layer. Emerging ELM is based on Artificial Neural Network (ANNs) concepts that have been broadly applied on many applications and problems such as pattern classification, regression and time series analysis [2]. ANNs have very good adaptability because of selection of model from features obtained in the input data. This makes them better candidates for the variety of problems such as optical character recognition [3], face detection [4], gene prediction [5], credit scoring and time series forecasting [6]. There are several classifications of ANNs. One of the simplest type of ANNs are feed forward neural networks (FNNs) that have been studied and used widely since the introduction of the back propagation (BP) algorithm [7]. Learning process in FNNs belong to the category of supervised learning approach. In this process of supervised learning, input and output samples are given to the network for many cycles so that the network can learn the relationship and correlation between the input and output and then test of the unknown is performed with the trained network. Apart from this, FNNs has been used in time series forecasting (TSF) [8]. TSF has been very active topic of research due to its applications and implications. For instance, TSF is used for climate forecasting, electricity load prediction, economical characteristics and GDP prediction, stock market prediction, electricity consumption, sales and supply chain forecasting and in many others [8]. Times series with the advent of Internet usage are becoming big and heterogeneous which opens new opportunities and challenges in terms of accuracy and cost of prediction. Section 2, we review the various applications and variants in ELM at present and their progress and development through literature. Section 3 introduces the formulations of classical Extreme learning Machine (ELM) and Online Sequential Extreme Learning Machine (OSELM) and other relevant details. In Section 4, we conduct experiments and obtain results from time series data. Section 5 discusses the results and their interpretation and Section 6 concludes the paper.

ผลลัพธ์ (ไทย) 1:

เครื่องจักรการเรียนรู้มาก (ELM) คือ เครื่องเกิดการเรียนรู้เทคนิค [1] เอล์มเป็นไปตามแนวคิดโครงข่ายประสาท และมีทั้งเตียงเดี่ยว และหลายซ่อนชั้นเครือข่ายประสาทและเคอร์เนลการเรียนรู้ แต่ไม่จำกัดเฉพาะการเท่านั้น ในเอล์ม มีพารามิเตอร์หลายอย่างที่สร้างแบบจำลอง บางส่วนของพวกเขาจะซ่อนโหน และอคติ เหล่านี้สุ่มการเตรียมใช้งาน และคงหลังจากดำเนินการโดยไม่ต้องปรับแต่งพวกเขาปรับปรุงต้น ซ่อนโหนในเอล์มเกิดใหม่ไม่ได้บังคับเพื่อให้เซลล์ประสาทเหมือนกัน ฟรีเฉพาะพารามิเตอร์ที่จำเป็นที่จะเรียนรู้มีการเชื่อมต่อหรือน้ำหนักท่ามกลางชั้นซ่อนและชั้นเอาต์พุ ELM ที่เกิดใหม่อยู่บนแนวคิดโครงข่ายประสาทเทียม (ANNs) ที่มีการใช้อย่างกว้างขวางในการใช้งานและปัญหาต่าง ๆ เช่นการจัดประเภทรูปแบบ ถดถอยวิเคราะห์ชุดเวลา [2] ANNs มีปรับตัวดีมาก เพราะตัวเลือกของรูปแบบจากสิ่งที่ได้รับข้อมูลป้อนเข้า สิ่งนี้ทำให้ผู้สมัครที่หลากหลายของปัญหาที่ดีกว่า เช่นอาร์ [3], [4], ตรวจจับใบหน้าทำนายยีน [5], เครดิตคะแนน และอนุกรมเวลาการพยากรณ์ [6] มีหลายประเภทของ ANNs หนึ่งในชนิดที่ง่ายที่สุดของ ANNs มีฟีดหน้าเครือข่ายประสาท (FNNs) ที่ได้ศึกษา และใช้กันอย่างแพร่หลายตั้งแต่การแนะนำของอัลกอริทึมการเผยแพร่หลัง (BP) [7] กระบวนการเรียนรู้ใน FNNs เป็นของประเภทของวิธีการเรียนรู้ดูแล ในกระบวนการของการดูแลการเรียนรู้ การป้อนข้อมูล และ ตัวอย่างจะได้รับเครือข่ายหลายรอบเพื่อให้เครือข่ายสามารถเรียนรู้ความสัมพันธ์และความสัมพันธ์ระหว่างอินพุตและเอาต์พุตแล้ว ดำเนินการทดสอบไม่รู้จักกับเครือข่ายผ่านการฝึกอบรม นอกจากนี้ FNNs มีการใช้ในเวลาการคาดการณ์ (TSF) [8] TSF ได้ถูกใช้งานมากหัวข้องานวิจัยเนื่องจากการใช้งานและผลกระทบ เช่น TSF จะใช้ สำหรับการคาดการณ์สภาพภูมิอากาศ ทำนายโหลดไฟฟ้า ลักษณะประหยัด และทำนาย GDP ทำนายตลาดหุ้น การใช้ไฟฟ้า การขาย และการคาดการณ์ในห่วงโซ่อุปทาน และ ในอีกหลาย ๆ [8] เท่ากับการถือกำเนิดของอินเทอร์เน็ต การใช้งานจะกลายเป็นใหญ่ และต่างกันซึ่งเปิดโอกาสใหม่ ๆ และความท้าทายในแง่ของความถูกต้องและต้นทุนของการคาดเดา ส่วนที่ 2 เราตรวจใช้งานต่าง ๆ และตัวแปรในเอล์มในปัจจุบัน และความก้าวหน้า และพัฒนาวรรณกรรม ส่วนที่ 3 แนะนำสูตรของการเรียนรู้มากคลาสสิกเครื่อง (ELM) และออนไลน์ลำดับมากเรียนเครื่อง (OSELM) และรายละเอียดอื่น ๆ ที่เกี่ยวข้อง ใน 4 ส่วน เราทำการทดลอง และได้รับผลจากข้อมูลอนุกรมเวลา ส่วนที่ 5 อธิบายถึงผลลัพธ์และการตีความของพวกเขา และส่วนที่ 6 สรุปกระดาษ

ผลลัพธ์ (ไทย) 2:

เครื่องเรียนรู้มาก (ELM) เป็นเทคนิคการเรียนรู้ของเครื่องที่เกิดขึ้นใหม่ [1] ELM อยู่บนพื้นฐานของแนวคิดเครือข่ายประสาทและรวมถึงเครือข่ายประสาททั้งเดียวและหลายซ่อนชั้นและการเรียนรู้เคอร์เนล แต่ก็ไม่ได้ จำกัด เพียงพวกเขา ใน ELM มีพารามิเตอร์หลายอย่างที่สร้างแบบจำลอง บางคนมีโหนดที่ซ่อนอยู่และอคติ เหล่านี้
จะเริ่มต้นการสุ่มและคงหลังจากการประมวลผลโดยไม่ต้องจูนพวกเขาซ้ำ โหนดที่ซ่อนอยู่ใน ELM ที่เกิดขึ้นใหม่
ไม่ได้บังคับให้เป็นเซลล์ประสาทเหมือนกัน พารามิเตอร์ฟรีเท่านั้นที่จะต้องเรียนรู้ที่จะมีการเชื่อมต่อหรือน้ำหนักท่ามกลางชั้นที่ซ่อนอยู่และชั้นเอาท์พุท ELM ที่เกิดขึ้นใหม่อยู่บนพื้นฐานของโครงข่ายประสาทเทียม (ANNs) แนวความคิดที่ได้ถูกนำมาใช้กันอย่างแพร่หลายในการใช้งานจำนวนมากและปัญหาเช่นการจำแนกรูปแบบการถดถอยและการวิเคราะห์อนุกรมเวลา [2] ANNs มีการปรับตัวที่ดีมากเพราะการเลือกรูปแบบจากคุณสมบัติที่ได้รับในการป้อนข้อมูล ซึ่งทำให้พวกเขาผู้สมัครที่ดีกว่าสำหรับความหลากหลายของปัญหาที่เกิดขึ้นเช่นการรับรู้แสงตัวละคร [3], ตรวจจับใบหน้า [4] ทำนายยีน [5] คะแนนเครดิตและการพยากรณ์อนุกรมเวลา [6] มีหลายประเภทการใช้ ANNs มี หนึ่งในชนิดที่ง่ายที่สุดของ ANNs มีฟีดไปข้างหน้าเครือข่ายประสาท (FNNs) ที่ได้รับการศึกษาและใช้กันอย่างแพร่หลายตั้งแต่การแนะนำของการขยายพันธุ์หลัง (BP) อัลกอริทึม [7] กระบวนการเรียนรู้ใน FNNs อยู่ในประเภทของวิธีการเรียนรู้ภายใต้การดูแล ในขั้นตอนของการเรียนรู้ภายใต้การดูแลนี้ input และ output ตัวอย่างมีให้กับเครือข่ายสำหรับรอบจำนวนมากเพื่อให้เครือข่ายที่สามารถเรียนรู้ถึงความสัมพันธ์และความสัมพันธ์ระหว่าง input และ output แล้วการทดสอบของที่ไม่รู้จักจะดำเนินการกับเครือข่ายผ่านการฝึกอบรม นอกเหนือจากนี้ FNNs ถูกนำมาใช้ในการพยากรณ์อนุกรมเวลา (TSF) [8] TSF ได้รับหัวข้อที่ใช้งานมากของการวิจัยเนื่องจากการใช้งานและความหมายของมัน ยกตัวอย่างเช่น TSF จะใช้สำหรับการคาดการณ์สภาพอากาศทำนายโหลดไฟฟ้าลักษณะที่ประหยัดและการคาดการณ์จีดีพีคาดการณ์การลงทุนในตลาดหุ้น, การใช้พลังงานไฟฟ้า, การขายและการคาดการณ์ห่วงโซ่อุปทานและอื่น ๆ อีกมากมาย [8] ซีรีส์ไทม์กับการถือกำเนิดของการใช้งานอินเทอร์เน็ตจะกลายเป็นขนาดใหญ่และแตกต่างกันซึ่งจะเปิดโอกาสและความท้าทายใหม่ในแง่ของความถูกต้องและค่าใช้จ่ายของการทำนาย ส่วนที่ 2 เราจะตรวจสอบการใช้งานต่าง ๆ และตัวแปรใน ELM ในปัจจุบันและความคืบหน้าของพวกเขาและการพัฒนาผ่านวรรณกรรม มาตรา 3 แนะนำสูตรคลาสสิกเครื่องการเรียนรู้มาก (ELM) และออนไลน์ลำดับเครื่องการเรียนรู้ (Extreme OSELM) และรายละเอียดอื่น ๆ ที่เกี่ยวข้อง ในมาตรา 4 เราดำเนินการทดลองและได้รับผลจากข้อมูลอนุกรมเวลา มาตรา 5 กล่าวถึงผลและการตีความและมาตรา 6 ของพวกเขาสรุปกระดาษ