Deep Learning is a subset collection of Machine Learning concerned where neural network algorithms inspired by human brain learn from large amount of data through several layers for nonlinear transformation, Deep learning domain techniques allows to extract features automatically from the Industrial fault detection dataset. Since it has the strong learning ability that can improve the utilization of the dataset for the feature extraction. It determines Industrial Processes fault in the input data by simulating the way the human brain detects the fault in the industrial processes.

Eine extrem lernende Maschine (ELM) ist ein neuronales Feed-Forward-Netzwerk (FFN). Es spielt eine entscheidende Rolle bei der Bildklassifizierung und ist eine einfache Methode für das Lernen von Merkmalen. ELM wird häufig für sequentielles Lernen, Batch-Lernen und inkrementelles Lernen verwendet, da ELM schneller lernt, schnell ist, eine gute Verallgemeinerungsfähigkeit hat, einfach zu implementieren ist und bei Klassifizierungen effizient ist. In dieser Arbeit schlagen wir zwei Stufen vor: die Stufe der Merkmalszuordnung und die Stufe des Merkmalslernens in einer extrem lernenden...

An extreme learning machine (ELM) is a feed-forward neural network (FFN). It is playing a crucial role in image classification and it is a simple method for features learning and ELM is frequently used in sequential learning, batch learning, and incremental learning because of these leanings ELM is learning faster, speed, good generalization ability, ease of implementation and efficiency in classifications. In this work, we propose two stages: the feature mapping stage, feature learning stage in an extreme learning machine.

Un Extreme Learning Machine (ELM) est un réseau de neurones de type feed-forward (FFN). Il joue un rôle crucial dans la classification des images et c'est une méthode simple pour l'apprentissage des caractéristiques. L'ELM est fréquemment utilisé dans l'apprentissage séquentiel, l'apprentissage par lots et l'apprentissage incrémental, car l'ELM apprend plus rapidement, est rapide, a une bonne capacité de généralisation, est facile à mettre en oeuvre et est efficace dans les classifications. Dans ce travail, nous proposons deux étapes : l'étape de cartographie des...