基于核的半监督极限学习机及其在交通拥挤评价中的应用

事实证明,极限学习机(ELM)是广泛领域中一种有效的学习范例。 使用内核函数方法而不是隐藏层,KernelELM克服了由随机分配的权重引起的变化问题。 本文在半监督极限学习机(SSELM)中引入了基于核的优化,并通过实验对性能的改进进行了评估。 结果表明,通过内核功能的优化,KernelSSELM可以实现更高的分类精度和鲁棒性。 另外,内核SSELM用于在城市交通评估和预测系统中训练交通拥堵评估框架。