Kurzbeschreibung
Eine Extreme Learning Machine (ELM) initialisiert den Bias und die Gewichte zwischen der Eingabeschicht und den versteckten Schichten willkürlich. Mithilfe der Methode der kleinsten Quadrate können die Gewichte zwischen der versteckten Schicht und der Ausgabeschicht mit wenig Rechenaufwand berechnet werden. Diese Arbeit untersucht, inwiefern Modelle einer Extreme Learning Machine mit modularem Aufbau des Reservoirs, bei Problemen mit modularer Struktur das Lernverhalten beeinflussen. Hierbei bezeichnet das Reservoir die versteckten Schichten der Extreme Learning Machine. Experimente mithilfe verschiedener Beispielfunktionen und auch eines Datensets zur Approximation von Schülerleistungen zeigen, dass zusätzliches Wissen über die Struktur einer Funktion eine Verbesserung erzielen kann, wenn diese Struktur auch im Reservoir-Design wiederzufinden ist. Das heißt, ist es möglich, das Problem in kleinere Teilaufgaben zu unterteilen und diese Teilaufgaben mithilfe von einzelnen Extreme Learning Machines vorherzusagen, erzielt man bessere Lernergebnisse als mit einer einzigen Extreme Learning Machine.