基于Cholesky分解的增量式RELM及其在时间序列预测中的应用

摘要：

针对应用于混沌时间序列预测的正则极端学习机（RELM）网络结构设计问题,提出一种基于Cholesky分解的增量式RELM训练算法.该算法通过逐次增加隐层神经元的方式自动确定最佳的RELM网络结构,并以Cholesky分解方式计算其输出权值,有效减小了隐层神经元递增过程的计算代价.混沌时间序列预测实例表明,该算法可有效实现最佳RELM网络结构的自动确定,且计算效率高.利用该算法训练后的RELM预测模型具有预测精度高的优点,适用于混沌时间序列预测.

关键词：神经网络、极端学习机、混沌时间序列、时间序列预测

所属期刊栏目：60

分类号：O241.6(计算数学)

在线出版日期：2012-04-21（万方平台首次上网日期，不代表论文的发表时间）

页码：1-6