基于信息熵优化的极限学习机研究及应用
为了提高极限学习机对化工过程的高维数据进行建模的能力,提出了一种基于信息熵优化的学习算法。利用互信息方法判断输入变量与输出变量之间的相关性,通过去除部分与输出变量相关性较弱的输入变量来过滤冗余信息,从而达到降维的目的。然后利用熵权法对输入数据进行加权优化,从而降低输入数据中的离散点对极限学习机模型精确度的影响。因此本文提出了一种基于信息熵的ELM算法。该算法以UCI标准数据集进行测试,并以PTA工业系统数据进行实际验证。实验结果表明,与传统 ELM 算法相比,优化后的学习算法在处理高维数据时具有稳定性强、建模精度高的特点。从而拓展了神经网络技术在化工领域里的应用。
神经网络、极限学习机、互信息、熵权法
TQ015.9;TP391.9;O6-39(一般性问题)
中央高校基本科研业务费JD1413
2014-10-12(万方平台首次上网日期,不代表论文的发表时间)
共5页
982-986