基于流形学习的思想和理论方法,提出刻画流形信息的正则化的极端学习机(MELM)算法。该算法利用流形信息刻画数据的几何结构和判别信息,克服 ELM 在有限样本上学习不充分的问题;能够有效提取数据样本的判别信息避免数据样本信息重叠;利用最大边际准则有效解决类间散度矩阵和类内散度矩阵的奇异问题。为验证所提方法的有效性,实验使用普遍应用的图像数据,将 MELM 与 ELM 以及相关最新算法 RAFELM、GELM进行识别率和计算效率的对比。实验结果表明,该算法能够显著提高 ELM 的分类准确率和泛化能力,并且优于其他相关算法。
