实体
Extreme Learning Machines [Trends & Controversies]
Extreme Learning Machines [Trends & Controversies]
PulseAugur coverage of Extreme Learning Machines [Trends & Controversies] — every cluster mentioning Extreme Learning Machines [Trends & Controversies] across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
2 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新的傅里叶特征网络在求解PDE方面显示出更高的准确性
研究人员推出了一种新颖的求解偏微分方程的方法——傅里叶特征网络（FENs）。这些网络基于单隐藏层神经网络，通过引入余弦和正弦等傅里叶特征来生成基函数。与极限学习机（ELMs）类似，FENs将目标函数近似为这些基的线性组合，但它们在无需对输入变量进行仿射变换的情况下即可实现高精度。数值实验表明，FENs在准确性方面始终优于ELMs。
-
新的ELMZip框架利用AI实现高效卫星图像压缩
研究人员开发了ELMZip，一种利用极限学习机（ELMs）进行星载图像压缩的新框架。该方法通过将压缩构建为一个凸最小二乘问题来解决从小卫星传输大量数据这一挑战，避免了计算密集型的反向传播。ELMZip通过仅传输紧凑的输出权重，显著减少了下行链路的有效载荷，从而实现了高效、实时的AI驱动地球观测。
-
新的优化算法增强了晶体结构预测能力
研究人员开发了一种改进的蝠鲼觅食优化算法，并结合了莱维飞行，用于训练极限学习机（ELMs）。这种新方法被称为进化EELM-MRFO-LF，应用于预测二元体系中化合物的形成能，旨在提高晶体结构预测的准确性。该算法的性能与其他受自然启发的优化技术进行了基准测试。