利用神经元拓展正则极端学习机预测时间序列

摘要：

为实现对于时间序列预测数据的准确预测,提出一种神经元拓展正则极端学习机（NERELM,Neuron-Expanding Regularized Extreme Learning Machine）,并研究了其在时间序列预测中的应用.NERELM根据结构风险最小化原理权衡经验风险与结构风险,以逐次拓展隐层神经元的方式自动确定最佳的网络结构,以避免传统神经网络训练过程中需人为确定网络结构的弊端.应用于时间序列的仿真结果表明：NERELM可有效实现对于RELM最佳网络结构的自动确定,具有预测精度高与计算速度快的优点.

关键词：神经网络、极端学习机、正则极端学习机、时间序列预测

所属期刊栏目：37

分类号：TP277(自动化技术及设备)

在线出版日期：2012-04-28（万方平台首次上网日期，不代表论文的发表时间）

页码：1510-1514