ارزیابی عملکرد ماشین یادگیر نهایی در قطعه بندی تصاویر

ماشین یادگیر نهایی (ELM) از جمله جدیدترین ابزارهای یادگیری ماشین است که استفاده های روزافزونی در کاربردهای متعددحوزه یادگیری ماشین پیدا کرده است. مزیت اصلی این روشنسبت به شبکه عصبی پرسپترون چند لایه (MLP)، کم بودن زمان آموزش آن نسبتبه این شبکه عصبی معروف است. در بسیاری از مقالات اصلی ماشین یادگیر نهایی، دقت این سیستم بیشتر از MLP گزارش شده است.در این مقاله برای ارزیابی این ادعا، دو نسخه از ماشین یادگیر نهایی در کاربرد قطعه بندی تصاویر با شبکه عصبی پرسپترون چند لایه موردمقایسه قرار گرفته اند. آزمایشات مختلف بر روی پایگاه داده BSD و با درنظر گرفتن تعداد نورون های متفاوت در لایه پنهان انجام شده است. نتایج آزمایشات با معیارهای مختلف حاکی از آن بوده است که در حالت میانگین، خطای طبقه بندی شبکه عصبی پرسپترون چند لایه از ماشین یادگیر نهایی کمتر است؛ با این حال آموزش ماشین یادگیر نهایی بسیار سریعتر از MLP می باشد. با تعداد 100 نورون در لایه پنهان، MLP؛ 2.5 درصد صحت بیشتری از ELM دارد. در حالیکه زمان آموزش MLP؛ 155 برابر زمان آموزش ELM است.

Keywords:

قطعه بندی تصویر , ماشین یادگیر نهایی , ماشین یادگیر نهایی دو لایه پنهان , پرسپترون چند لایه