基于多输出极限学习机的快速一致性分类器

摘要：

一致性分类器是建立在一致性预测基础上的分类器,其输出结果具有很高的可靠性,但由于计算框架的限制,学习的时间往往较长.为了加快学习速度,首次将一致性预测与多输出极限学习机相结合,提出基于两者的快速一致性分类算法.该算法利用了极限学习机,能够快速计算样本标签的留一交叉估计的特性,极大地加快了学习速度.算法复杂度分析表明,所提算法的计算复杂度与多输出极限学习机的算法复杂度相同,该算法继承了一致性预测的可靠性特征,即预测的错误率能够被显著性水平参数所控制.在10个公共数据集上的对比实验表明,所提算法具有极快的计算速度,且与其他常用一致性分类器相比,该算法的平均预测标签个数在某些数据集上更少,预测结果更有效.

关键词：一致性预测、刀切法一致性预测、一致性分类器、神经网络、多输出极限学习机、快速学习

所属期刊栏目：34

分类号：TP273(自动化技术及设备)

资助基金：天津市自然科学基金项目14JCYBJC21800

在线出版日期：2019-04-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：555-560