典型文献
多样性正则化极限学习机的集成方法
文献摘要：
极限学习机(ELM)是一种单隐层前向网络的训练算法,随机确定输入层权值和隐含层偏置,通过分析的方法确定输出层的权值,ELM克服了基于梯度的学习算法的很多不足,如局部极小、不合适的学习速率、学习速度慢等,却不可避免地造成了过拟合的隐患且稳定性较差,特别是对于规模较大的数据集.针对上述问题,提出多样性正则化极限学习机(DRELM)的集成方法.首先,从改变隐层节点参数的分布来为每个ELM随机选取输入权重,采用LOO交叉验证方法和MSEPRESS方法来寻找每个基学习器的最优隐节点数,计算并输出最优隐含层输出权重,训练出较好且具有差异性的基学习器.然后,将有关多样性的新惩罚项显式添加到整个目标函数中,迭代更新每个基学习器的隐含层输出权重并输出结果.最后,集成所有基学习器的输出结果对其求平均值,得到整个网络模型最后的输出结果.该方法能够有效地实现多样性正则化极限学习机(RELM)的融合,兼顾准确率和多样性.在10个不同规模的UCI数据集上的实验结果表明所提出的方法是行之有效的.
文献关键词：
极限学习机(ELM);集成学习;多样性;正则化极限学习机(RELM)
中图分类号：
作者姓名：
陈洋;王士同
作者机构：
江南大学 人工智能与计算机学院,江苏 无锡 214122;江南大学 江苏省媒体设计与软件技术重点实验室,江苏 无锡 214122
文献出处：
引用格式：
[1]陈洋;王士同-.多样性正则化极限学习机的集成方法)[J].计算机科学与探索,2022(08):1819-1828
A类：
DRELM,MSEPRESS
B类：
正则化极限学习机,集成方法,训练算法,输入层,权值,隐含层,偏置,出层,局部极小,学习速率,学习速度,速度慢,过拟合,规模较,隐层节点,节点参数,LOO,交叉验证,验证方法,基学习器,练出,显式,迭代更新,输出结果,顾准,不同规模,UCI,集成学习
AB值：
0.278595
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。
