关于ELMs技术的理论评价及其在数据挖掘中的应用研究

Extreme Learning Machines (ELMs) 系列算法是通过采用随机机制以减少参数设置和选择，从而大大提高学习速度并保证泛化能力的一类快速学习算法。虽然该技术自提出在近几年得到了迅速发展及广泛应用，然而我们对ELMs技术的本质性态仍缺乏清晰认识，从而阻滞了ELMs技术更进一步的深入应用。源于这一现状，本项目研究旨在对ELMs技术的机理与理论形态进行分析并进一步探索ELMs技术在数据挖掘中各个不同领域的深入应用。将发展基于随机参数规划稳定性理论的ELMs技术可用性分析及基于算法复杂性及效率评估理论的ELMs技术有效性分析；对ELMs与SVM（SVR），boosting，正则化算法等现代技术展开比较研究，揭示各个算法的优势及它们之间的本质内在联系；揭示ELMs系列算法快速收敛的本质性态；所获结果将为ELMs技术的进一步发展与在数据挖掘中的深入应用奠定理论基础。

Extreme Learning Machines (ELMs) 系列算法是通过采用随机机制以减少参数设置和选择，从而大大提高学习速度并保证泛化能力的一类快速学习算法。虽然该技术自提出在近几年得到了迅速发展及广泛应用，然而由于对ELMs技术的本质性态仍缺乏清晰的认识从而阻滞了ELMs技术更进一步的深入应用。源于这一现状，本课题研究了高复杂环境下ELMs技术的可用性与有效性。构建了ELMs技术的统一学习框架；提出了动态选择网络结构的方法及基于稀疏特征的最优网络结构选择方法。展开了ELMs技术与其它机器学习技术的比较研究。研究了ELMs技术与LS-SVM以及PSVM的内在本质联系与区别；并在此基础上分别改进并扩展了正则化ELM算法和基于核函数的ELM算法；提出了提高学习速度的FRCF-ELM算法。系统研究了ELMs技术的全局逼近能力和收敛性态。证明了LP空间上ELMs技术的全局逼近能力；揭示了在线学习的收敛性态；提出了ELM系列新算法及其全局逼近能力研究，包括OCI-ELM算法、ECI-ELM算法、AIE-ELM算法及D-ELM算法。探索了ELMs技术在信用风险评估、股票预测及癫痫自动检测等不同领域中的应用。这些研究成果丰富和发展了ELMs技术的机理与理论性态，并为进一步探索ELMs技术在数据挖掘中各个不同领域的深入应用奠定了基础。