【摘要】 本发明涉及一种改进极限学习机，尤其是一种融合最小二乘向量机回归学习思想的改进极限学习机，属于人工智能的技术领域。本发明在传统极限学习机经验风险最小化基础上，融合了最小二乘向量机回归学习思想，增加了结构风险控制项，通过有效调节两种风险的比例来求解，这就大大降低了模型产生过度拟合的风险。通过在SinC数据集、Boston Housing数据集及在渔业养殖中的溶氧预测中的实际应用这三个实验表明，与ELM算法和EOS-ELM算法相比，该方法的预测误差与训练误差比较接近，有效降低了过拟合问题，其预测的精度也得到了一定的提高。 【专利类型】发明授权 【申请人】江南大学 【申请人类型】学校 【申请人地址】214122 江苏省无锡市蠡湖大道1800号 【申请人地区】中国 【申请人城市】无锡市 【申请人区县】滨湖区 【申请号】CN201210141568.6 【申请日】2012-05-09 【申请年份】2012 【公开公告号】CN102708381B 【公开公告日】2014-02-19 【公开公告年份】2014 【授权公告号】CN102708381B 【授权公告日】2014-02-19 【授权公告年份】2014.0 【IPC分类号】G06K9/62 【发明人】毛力; 张立冬 【主权项内容】1.一种融合最小二乘向量机回归学习思想的改进极限学习方法，其特征是，所述改进极限学习方法包括如下步骤： 步骤1、给定观测数据集T，T={(x1, y1), …, (xj, yj), …, (xN, yN)}，其中，xj∈Rn, yj∈R, j=1, …, N；将包括N个隐层节点，激励函数为G的极限学习机回归模型设定为 其中，βi为第i个隐层节点与输出神经元的输出权值，β为输出权值矩阵，ai为输入神经元与第i个隐层节点的输入权值，bi为第i个隐层节点的偏置，h(x)为隐层输出矩阵，h(x)=[G(a1, b1, x1), …, G(aN, bN, xN)]； 步骤2、随机初始化输入权值ai和偏置bi，i=1, ..., N，并使得输入权值ai和偏置bi在训练过程中保持不变； 步骤3、根据经验风险最小化的ELM和结合最小二乘向量机回归学习思想的结构风险最小化方法，得到 其中，δi为误差，误差的平方和δi2代表经验风险；||β||2代表结构风险，ζ为调节系数； 步骤4、将步骤3得到的条件极值函数转换为拉格朗日函数，得到 其中，LELM为拉格朗日函数；λi为拉格朗日乘子； 步骤5、将步骤4得到拉格朗日函数利用KKT最优函数得到 并根据优化约束条件计算得到拉格朗日乘子λi和输出权值矩阵β； 步骤6、根据步骤5得到的输出权值矩阵β，得到极限学习机回归模型f(x)。。 【当前权利人】路亚科消防车辆制造有限公司 【当前专利权人地址】山东省临沂市高新区解放路西段金湖工业园119号 【专利权人类型】公立 【统一社会信用代码】1210000071780177X1 【引证次数】3.0 【被引证次数】1 【他引次数】3.0 【被他引次数】1.0 【家族引证次数】3.0 【家族被引证次数】22

未经允许不得转载：http://www.zhongzhencnc.com/1790302976.html