典型文献
基于截断2-范数损失函数的鲁棒极限学习机
文献摘要：
在前馈神经网络学习中,极限学习机(Extreme Learning Machine,ELM)具有高效快速的优势.然而ELM采用的2-范数损失函数在许多实际应用中受异常值影响较大.文章采用截断思想,将2-范数损失函数进一步改进为能够限定最大损失为常数的截断2-范数损失函数,构建了基于截断2-范数损失函数的鲁棒ELM模型,依此来抑制噪声和异常值对模型的影响.采用拉格朗日乘子法和迭代重赋权算法对模型进行求解.最后在UCI数据集和实际风速数据集上验证所提出模型的有效性.实验结果表明,与现有回归算法相比该模型在噪声条件下表现出较大的优势,尤其是在添加了高斯噪声后的波士顿房价数据集上预测精度提高了25.42％.
文献关键词：
神经网络;极限学习机;鲁棒;截断损失函数;迭代重赋权算法
中图分类号：
作者姓名：
张仕光;郭迪;冯歌;刘洁晶
作者机构：
河南师范大学 计算机与信息工程学院,河南 新乡 453007;衡水学院 教务处,河北 衡水 053000
文献出处：
引用格式：
[1]张仕光;郭迪;冯歌;刘洁晶-.基于截断2-范数损失函数的鲁棒极限学习机)[J].山西大学学报（自然科学版）,2022(01):50-59
A类：
鲁棒极限学习机,迭代重赋权算法,截断损失函数
B类：
范数,前馈神经网络,神经网络学习,Extreme,Learning,Machine,ELM,高效快速,异常值,依此,抑制噪声,拉格朗日乘子法,UCI,风速数据,出模,回归算法,噪声条件,高斯噪声,波士顿,房价
AB值：
0.257028
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
