改进式混合增量极限学习机算法
来源期刊：控制与决策2015年第11期
论文作者：王超 王建辉 顾树生 张宇献 武玮
文章页码：1981 - 1986
关键词：极限学习机;增量学习算法;Delta检验;混沌优化算法;增量型极限学习机;
摘 要：针对增量型极限学习机（I-ELM）中存在大量降低学习效率及准确性的冗余节点的问题,提出一种基于Delta检验（DT）和混沌优化算法（COA）的改进式增量型核极限学习算法.利用COA的全局搜索能力对I-ELM中的隐含层节点参数进行寻优,结合DT算法检验模型输出误差,确定有效的隐含层节点数量,从而降低网络复杂程度,提高算法的学习效率;加入核函数可增强网络的在线预测能力.仿真结果表明,所提出的DCI-ELMK算法具有较好的预测精度和泛化能力,网络结构更为紧凑.
王超1，王建辉1，顾树生1，张宇献2，武玮1
1. 东北大学信息科学与工程学院2. 沈阳工业大学电气工程学院
摘 要：针对增量型极限学习机（I-ELM）中存在大量降低学习效率及准确性的冗余节点的问题,提出一种基于Delta检验（DT）和混沌优化算法（COA）的改进式增量型核极限学习算法.利用COA的全局搜索能力对I-ELM中的隐含层节点参数进行寻优,结合DT算法检验模型输出误差,确定有效的隐含层节点数量,从而降低网络复杂程度,提高算法的学习效率;加入核函数可增强网络的在线预测能力.仿真结果表明,所提出的DCI-ELMK算法具有较好的预测精度和泛化能力,网络结构更为紧凑.
关键词：极限学习机;增量学习算法;Delta检验;混沌优化算法;增量型极限学习机;
