计算机应用
計算機應用
계산궤응용
COMPUTER APPLICATION
2013年
6期
1600-1603
,共4页
极限学习机%模型选择%交替优化%隐空间%泛化能力
極限學習機%模型選擇%交替優化%隱空間%汎化能力
겁한학습궤%모형선택%교체우화%은공간%범화능력
针对极限学习机(ELM)中冗余的隐神经元会削弱模型泛化能力的缺点,提出了一种基于隐特征空间的ELM模型选择算法.首先,为了寻找合适的ELM隐层,在ELM中添加正则项,该项为现有隐层空间到低维隐特征空间的映射函数矩阵的Frobenius范数；其次,为解决该非凸问题,采用交替优化的策略,并通过凸二次型优化学习该隐空间；最终自适应得到最优映射函数和ELM模型.分别采用UCI标准数据集和载荷识别工程数据对所提算法进行测试,结果表明,与经典ELM相比,该算法可有效提高预测精度和数值稳定性,与现有模型选择算法相比,该算法预测精度相当,但运行时间则大幅降低.
針對極限學習機(ELM)中冗餘的隱神經元會削弱模型汎化能力的缺點,提齣瞭一種基于隱特徵空間的ELM模型選擇算法.首先,為瞭尋找閤適的ELM隱層,在ELM中添加正則項,該項為現有隱層空間到低維隱特徵空間的映射函數矩陣的Frobenius範數；其次,為解決該非凸問題,採用交替優化的策略,併通過凸二次型優化學習該隱空間；最終自適應得到最優映射函數和ELM模型.分彆採用UCI標準數據集和載荷識彆工程數據對所提算法進行測試,結果錶明,與經典ELM相比,該算法可有效提高預測精度和數值穩定性,與現有模型選擇算法相比,該算法預測精度相噹,但運行時間則大幅降低.
침대겁한학습궤(ELM)중용여적은신경원회삭약모형범화능력적결점,제출료일충기우은특정공간적ELM모형선택산법.수선,위료심조합괄적ELM은층,재ELM중첨가정칙항,해항위현유은층공간도저유은특정공간적영사함수구진적Frobenius범수；기차,위해결해비철문제,채용교체우화적책략,병통과철이차형우화학습해은공간；최종자괄응득도최우영사함수화ELM모형.분별채용UCI표준수거집화재하식별공정수거대소제산법진행측시,결과표명,여경전ELM상비,해산법가유효제고예측정도화수치은정성,여현유모형선택산법상비,해산법예측정도상당,단운행시간칙대폭강저.
