期刊
  出版年
  关键词
结果中检索 Open Search
Please wait a minute...
选择: 显示/隐藏图片
1. 基于隐藏层输出矩阵的极限学习机算法优化
孙浩艺, 王传美, 丁义明
计算机应用    2021, 41 (9): 2481-2488.   DOI: 10.11772/j.issn.1001-9081.2020111791
摘要346)      PDF (1706KB)(387)    收藏
针对极限学习机(ELM)中隐藏层到输出层存在误差的问题,通过分析发现误差来源于求解隐藏层输出矩阵 H的Moore-Penrose广义逆矩阵 Η 的过程,即矩阵 H H与单位矩阵有偏差,可根据偏差的程度来选择合适的输出矩阵 H以获得较小的训练误差。根据广义逆矩阵和辅助矩阵的定义,首先确定了目标矩阵 H H和误差指标L21范数,其次通过实验分析表明 H H的L21范数与ELM的误差呈显著线性相关,最后通过引入Gaussian滤波对目标矩阵进行降噪处理,由此有效降低了目标矩阵的L21范数,同时降低了ELM的误差,达到优化ELM算法的目的。
参考文献 | 相关文章 | 多维度评价
2. 微博社交网络的对称程度实证分析
康泽东 余旌胡 丁义明
计算机应用    2014, 34 (12): 3405-3408.  
摘要215)      PDF (811KB)(617)    收藏

Twitter和Sina微博注册用户构成关注关系社交网络,运用一种对称程度来研究其对称性随社交圈子规模变化的规律。首先根据收集的100万条新浪用户之间的关注关系和236个Twitter用户及其之间的关注关系来构建初始社交网络,选取其中具有明显对称性的连通子网络作为研究的主要对象,通过去除法得到:影响社交网络最大连通子网络对称性的主要因素是大V用户和可忽略用户。其次,采用比较分析法得出Twitter的大V用户构成的社交子网络对称性较强。最后,从功能定位方面分析了两种微博的不同;通过对初始网络的所有连通子网络的对称程度的研究,得出社交圈规模越小、相应的对称性越强的结论。

参考文献 | 相关文章 | 多维度评价