ELMVIS+: Improved Nonlinear Visualization Technique Using Cosine Distance and Extreme Learning Machines

Anton Akusok, Yoan Miche, Kaj-Mikael Björk, Rui Nian, Paula Lauren, Amaury Lendasse

Forskningsoutput: Kapitel i bok/rapport/konferenshandlingKonferensbidragVetenskapligPeer review

Sammanfattning

This paper presents ELMVIS+, a significant improvement in ELMVIS methodology that enables faster computation, more stable results and a wider application range. The novel cost function and a fast way of estimating it speeds up the method compared to ELMVIS, especially in large-dimensional datasets. The included Genetic Algorithms add global optimization that helps ELMVIS+ to find a better optimum. The improved methodology shows state-of-the-art performance in three different benchmark datasets.
OriginalspråkEngelska
Titel på värdpublikationProceedings of ELM-2015
Antal sidor13
Volym2
UtgivningsortCham
FörlagSpringer
Utgivningsdatum03.01.2016
Sidor357-369
ISBN (tryckt)978-3-319-28372-2
ISBN (elektroniskt)978-3-319-28373-9
DOI
StatusPublicerad - 03.01.2016
MoE-publikationstypA4 Artikel i en konferenspublikation

Publikationsserier

Namn Proceedings in Adaptation, Learning and Optimization (PALO)
Volym7

Nyckelord

  • 512 Företagsekonomi

Fingeravtryck

Fördjupa i forskningsämnen för ”ELMVIS+: Improved Nonlinear Visualization Technique Using Cosine Distance and Extreme Learning Machines”. Tillsammans bildar de ett unikt fingeravtryck.

Citera det här