In this section, we evaluate the pe

In this section, we evaluate the performance of ReOS-ELM on
classification applications. For applications reported in (Liang et
al., 2006) including image segmentation, satellite image and
DNA, the classification accuracies are compared with not only
OS-ELM in different modes for both sigmoid and Gaussian activation
function but also other popular sequential learning algorithms.
The average results of fifty trials with different training
and testing sets are shown in Table 3. Due to the complexity in processing
higher dimensional data and producing a large number of
hidden units, the results of some RAN-based and GAP-RBF-based
algorithms could not be provided. From Table 3, we can see that
the ReOS-ELM is superior to other sequential learning algorithms
while the network architecture is the same as that of OS-ELM.
We further evaluate the performance of ReOS-ELM and OS-ELM
on five additional benchmarks including diabetes, WDBC, musk,
page-blocks and shuttle. The average results of fifty trials with different
training and testing sets are shown in Table 4. From Tables 3
and 4 we can see that our approach also outperforms the OS-ELM
approach for classification applications.

Results (Vietnamese) 2:

Trong phần này, chúng tôi đánh giá hiệu suất của ReOS-ELM trên
các ứng dụng phân loại. Đối với các ứng dụng báo cáo trong (Liang et
al., 2006) bao gồm cả phân vùng ảnh, hình ảnh vệ tinh và
DNA, độ chính xác phân loại được so sánh với không chỉ
OS-ELM trong các chế độ khác nhau cho cả sigmoid và kích hoạt Gaussian
chức năng mà còn thuật toán học tuần tự phổ biến khác.
các kết quả trung bình của năm mươi thử nghiệm với đào tạo khác nhau
và thử nghiệm bộ được thể hiện trong Bảng 3. Do sự phức tạp trong xử lý
dữ liệu chiều cao và sản xuất một số lượng lớn các
đơn vị ẩn, kết quả của một số RAN-based và GAP-RBF dựa trên
thuật toán có thể không được cung cấp. Từ bảng 3, chúng ta có thể thấy rằng
các ReOS-ELM là vượt trội so với các thuật toán học tuần tự khác
trong khi kiến trúc mạng cũng giống như của hệ điều hành ELM.
Chúng tôi cũng đánh giá hiệu suất của ReOS-ELM và OS-ELM
trên năm tiêu chuẩn thêm bao gồm cả bệnh tiểu đường, WDBC, xạ hương,
trang-khối và tàu con thoi. Các kết quả trung bình của năm mươi thử nghiệm với nhau
đào tạo và thử nghiệm bộ được trình bày trong bảng 4. Từ bảng 3
và 4, chúng tôi có thể thấy rằng cách tiếp cận của chúng tôi còn tốt hơn hệ điều hành ELM
pháp cho các ứng dụng phân loại.