典型文献
自适应权重的级联增强节点的宽度学习算法
文献摘要：
进入智能化时代,需要在大数据平台上进行持续自主学习和优化,而持续自主学习的第一步就是进行数据增强.文中提出基于级联增强节点的宽度学习方法,为大数据平台上的持续自主学习提供了新的数据增强方法,也为后续在学习架构基础上的演化优化提供了可能.以时序预测问题为依托,但由于经典宽度学习是典型的前馈神经网络,并不适合建模动态时间序列,因此在传统的宽度学习系统中引入反馈结构,将增强节点层顺序连接,使得增强节点具有记忆性,能够保留部分历史信息.在进行特征提取时,采用了相空间重构来提取数据更本质的特征;同时,引入了权重因子,在训练时依据每个样本对模型的贡献度,为其独立分配不同的权重,从而消除噪声和离群点对学习过程的干扰,提高算法的预测准确率以及鲁棒性.实验结果表明所提算法是有效的.
文献关键词：
宽度学习;时序预测;权重因子;数据增强
中图分类号：
作者姓名：
蔡欣雨;冯翔;虞慧群
作者机构：
华东理工大学计算机科学与工程系 上海200237;上海智慧能源工程技术研究中心 上海200237
文献出处：
引用格式：
[1]蔡欣雨;冯翔;虞慧群-.自适应权重的级联增强节点的宽度学习算法)[J].计算机科学,2022(06):134-141
A类：
B类：
自适应权重,智能化时代,大数据平台,第一步,数据增强,增强方法,学习架构,时序预测,前馈神经网络,宽度学习系统,记忆性,历史信息,相空间重构,提取数据,权重因子,贡献度,消除噪声,离群点,学习过程,预测准确率
AB值：
0.306231
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。
