一种基于增量加权平均的在线序贯极限学习机算法

摘要：

针对在线序贯极限学习机(OS-ELM)对增量数据学习效率低、准确性差的问题,提出一种基于增量加权平均的在线序贯极限学习机(WOS-ELM)算法.将算法的原始数据训练模型残差与增量数据训练模型残差进行加权作为代价函数,推导出用于均衡原始数据与增量数据的训练模型,利用原始数据来弱化增量数据的波动,使在线极限学习机具有较好的稳定性,从而提高算法的学习效率和准确性.仿真实验结果表明,所提出的WOS-ELM算法对增量数据具有较好的预测精度和泛化能力.

关键词：单隐层前馈型神经网络、在线序贯极限学习机、加权平均、增量、代价函数

所属期刊栏目：32

分类号：TP273(自动化技术及设备)

资助基金：国家863计划项目2015AA016005;国家自然科学基金项目61402096, 61173153, 61300196

在线出版日期：2017-10-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：1887-1893